Pełne modele dowodów zkML zapewniają silne gwarancje, ale wiążą się z wysoką latencją i kosztami pamięci. W wielu przypadkach tylko konkretne warstwy lub podobliczenia wymagają weryfikacji — jak opisujemy w naszym białym dokumencie. To jest pomysł stojący za DSperse, naszym otwartoźródłowym, opartym na fragmentach frameworkiem zkML. Zamiast przekształcać cały model w obwód, DSperse pozwala na udowodnienie wartościowych podobliczeń — bramki polityki, detektory anomalii, własne głowy — podczas gdy reszta działa z natywną prędkością. W benchmarkach, fragmentacja przynosi: • 77% szybsze generowanie świadków • 66% szybsze dowody • ~40% mniejsze zużycie pamięci Pomyśl o pipeline'ie wykrywania oszustw: nie musisz udowadniać całego modelu scoringowego, który jest trenowany co tydzień. To, co się liczy, to sprawdzenie anomalii i logika decyzyjna. DSperse sprawia, że te fragmenty są weryfikowalne, bez konieczności udowadniania wszystkiego innego. Biały dokument: Repo: Medium: