本文研究云-边协同解码范式中的隐私泄露问题。在该范式下，资源受限的边缘设备持有私有数据，并运行一个小语言模型（SLM）生成下一token分布；云端LLM仅基于公开数据进行预测；两者分布融合后生成最终输出。这种设计旨在避免将私有数据直接上传至云端，但本文作者通过构造QA数据集并设计新颖的评估框架，系统性地分析了该范式，发现协同解码过程仍会泄露大量私有上下文信息。为缓解该问题，作者提出CoVeil防御机制，它在解码时动态优化边缘与云端之间传输的信号，在保持协同生成质量的同时抑制隐私泄露。大量实验表明，与现有基线相比，CoVeil能够在隐私-效用权衡上取得一致改进，数据泄露最多可减少87.2%，且精度损失极小。该研究为云-边协同LLM推理场景提供了隐私风险评估方法和实用的防御思路，适合关注LLM隐私保护、边缘计算和模型部署安全的研究人员与工程师阅读。