本文针对人类基因组数据"一旦泄露不可撤销、且可直接指向个体身份"这一特殊性，研究基因组基础模型（genomic foundation model）在第三方算力上推理时的隐私可行性问题。作者提出并回答的核心问题是:算力提供方能否在完全不接触明文查询基因组序列的前提下，执行一个已公开发布的基因组基础模型，以及正确性、显存与时间成本是否会阻碍完整加密推理。 方法上，作者首先在原模型上复现了三类基因组任务，并冻结了一套经过独立验证的数值参考（reference），作为后续加密推理正确性的比对基准。随后实现了一套"客户端辅助的近似同态加密（approximate homomorphic encryption）协议":算力提供方在密文上完成线性代数运算（矩阵乘、线性层等）；而掌握密钥的数据所有者在固定边界上负责需要精确数值行为的算子——归一化、因果 softmax 以及激活函数。这种划分把非线性、对数值精度敏感的算子留在客户端，避免在密文域内近似导致的精度塌陷。 实验给出了两类配置结果:非交互式（noninteractive）配置只能完成一个释放权重的 transformer block，当尝试按需组合多个 block 时，显存占用超出所测试加速器的可用内存上限，说明纯密文端到端推理受限于显存而非算力算术。客户端辅助配置则成功执行了全部释放的 transformer block 以及任务头（task head），对一条留出（held-out）基因组信号输入在其完整提示长度下完成推理:最终输出标签与冻结参考一致，峰值加速器显存 9,839 MiB，单卡耗时 6,683 秒。 结论是:对于完整的分类器任务，该方案在算术层面已被证明可行，即在既定威胁模型下算力方无需看到明文的、由查询派生的激活值。但作者明确指出可重复性、网络传输开销以及私有的 token 索引查找（private token-index lookup）仍未解决。论文的临床/生物医学意义在于，它为基因组模型的"计算外包但不暴露数据"提供了一条可验证的技术路径，同时也暴露出延迟与内存开销在实际部署中的明显瓶颈。