端到端加密 (E2EE) 消息应用常被视为安全通信的黄金标准，被广泛用于敏感场景下的群组协调，例如政治决策或企业机密讨论。随着 Threema、WhatsApp、Signal 和 iMessage 等主流应用相继引入群组投票功能，用户自然期望所有参与者能够看到一致的对话内容和相同的结果，这一属性被称为“记录本一致性”（Transcript Consistency, TC）。然而，本研究针对恶意参与者威胁模型，系统性地证明了当前主流 E2EE 应用在群聊场景中并不提供任何形式的 TC 保证。作者指出，恶意群成员可以不触发任何 UI 警告，就能对不同接收者选择性省略、重排或篡改消息内容，甚至影响跨设备同步的一致性。他们识别出多种“多义性”向量（equivocation vectors），涵盖协议回退路径以及群内故意使用的点对点传递通道。利用这些向量，攻击者可实施社会工程、绕过群组审核，并重点演示了操纵投票结果的场景。此外，研究还发现了若干实现相关的隐私问题，例如可通过群组行为进行设备操作系统指纹识别。论文在先前 TC 研究的基础上，将跨服务设计缺陷系统化，并提出了低开销的缓解措施，包括协议层面的完整性校验和 UI 中的信号提示策略，以帮助用户识别不一致状态。这项工作对依赖 E2EE 保证决策一致性的用户和产品设计者具有重要参考价值。

该论文研究了对等网络（P2P）分布式大语言模型（LLM）推理的完整性保证问题。在P2P分布式推理场景中，LLM的层被分散到多个节点上，每个请求依次经过由不同独立方拥有和控制的节点。任何恶意的节点都有可能篡改其负责的层的输出，从而破坏最终结果。已有的完整性检查方法，如已知答案陷阱和密码学承诺，只能检测精确的正确性，无法容忍良性节点间由硬件噪声引起的正常激活值波动。为此，作者提出了一种基于激活值漂移的完整性检测方法。其核心思想是：一个想要使用网络的用户选择一小批秘密的“金丝雀”输入（canary inputs），这些输入的正确激活值已知，并将它们混合在正常流量中。由于其他节点无法区分金丝雀查询和真实查询，任何篡改节点都会同样破坏金丝雀的输出。通过比较金丝雀的实际激活值与已知参考值的偏差，可以识别恶意节点：良性节点仅表现出由硬件噪声引起的微小漂移，而篡改节点的漂移显著更大。作者将恶意节点识别建模为一种概率测试，该测试区分两个漂移分布，而不依赖于固定阈值。在408种配置下进行了实验，所有指标和成功标准在实验前确定；检测器在所有配置下的每个金丝雀上都达到了AUROC 1.0，正确地将恶意分片排在所有良性分片之上。该工作首次在P2P分布式LLM推理中解决了对普通硬件噪声鲁棒的完整性验证问题。