本文提出了一种名为“最小信息泄露”（Minimal Information Disclosure, MID）的框架，用于解决AI验证过程中的隐私保护问题。AI验证通常需要验证者获取足够的信息以确认某项授权声明，但这些证据可能同时泄露关于模型、工作负载或硬件的敏感细节。MID的核心思想是设计并量化验证者可见证据本身的信息内容，利用条件互信息来衡量“附带泄露”——即在授权结果已知后，证据发布仍然揭示受保护属性的信息量。MID的设计具有通用性，能够适配不同的验证目标、受保护属性、证据来源和部署约束。作者在四个物理测量数据集和六项验证任务上进行了实验，覆盖执行类型、硬件身份、计算规模、模型身份等验证场景，并通过三个机制设计变量（证据通道、采集策略、发布变换）展示了MID的实用性。实验结果表明，MID在部分任务中实现了完美的留出验证性能且附带泄露为零，其余任务则给出了明确的隐私-效用前沿。此外，MID还支持基于ZKP（零知识证明）的认证发布，作者使用Groth16 zk-SNARK演示了所提出的线性投影机制。该研究为AI验证中的隐私保护提供了新的理论工具和实用方法，适合从事AI安全、隐私计算、可验证计算和零知识证明方向的研究者阅读。