该论文针对长文档隐私推理（private inference）中的效率与隐私平衡问题展开研究。现有隐私推理系统主要优化或分布式实现加密Transformer的注意力机制，但注意力机制中token两两交互的二次方复杂度在序列长度增长时成为瓶颈。选择性状态空间模型（Selective SSM）虽提供线性时间递归，但直接在加密域实现会带来线性乘法深度、跨序列状态驻留或密集的FHE-MPC转换开销。为此，作者提出了FESC（Factorized Encrypted Scan-Contract），一种混合FHE-MPC系统，用于私有长上下文选择性SSM推理。其核心创新是“因子化扫描-收缩”（scan-contract）方法：将输入相关的状态转换保持紧凑且跨越转换边界，无需密集扩展即可组合，按需流式处理状态块，并在转换前收缩输出。论文展示了该实现与不变式和选择性SSM架构的接口兼容性。在Mamba-2实例化中，设计了GPU优化的CKKS内核用于线性计算，并为SiLU、softplus、指数和RMSNorm设计了MPC协议，同时采用近似感知微调（approximation-aware fine-tuning）。据作者所述，FESC是首个能在单GPU上完成原生端到端长文档推理（序列长度L≥1024）的隐私推理系统。在L=2048时，12层Mamba-base模型在一张A100 GPU上完成推理耗时77.3分钟，峰值内存32.7GB，且在评估的长文档任务上保持接近明文精度的准确率。该工作为长序列隐私推理提供了新的技术路线，适合隐私计算、机器学习系统与安全交叉领域的研究者阅读。