该论文面向一个日益突出的现实矛盾：开源大模型（LLM）在能力上已可与闭源模型竞争，并且允许用户在不把输入暴露给服务商的前提下本地推理，但大规模模型对本地算力要求极高，因此大量用户仍不得不租用第三方算力，从而重新引入隐私泄露与计算结果被篡改（正确性）两类风险。现有解决方案要么给服务端带来巨大的计算与通信开销，要么依赖额外的信任假设（如可信硬件、可信第三方或重量级密码学设置），难以在真实部署中落地。作者提出 Maverick：一种基于「矩阵-向量乘法委托」协议的私有且可验证的 LLM 推理方案。之所以选矩阵-向量乘法，是因为它是 LLM 推理中占据主导地位的算子，把这一原语做扎实，就能以模块化方式覆盖整体推理流程。Maverick 的核心贡献，据作者所述，是首个针对矩阵-向量乘法委托的、具有信息论级可靠性（information-theoretically sound）的验证协议，其特点包括：透明预处理（transparent preprocessing，即不需要可信初始化或秘密陷门）、高效的批量验证，以及几乎不增加服务端开销。在隐私方面，作者把该验证原语与基于 LPN（Learning Parity with Noise）难题的伪随机掩码结合，为客户端输入提供隐私保护——即服务端在计算过程中无法获知用户真实输入，而用户仍能验证返回结果的正确性。作者实现了该矩阵-向量委托原语，并据此搭建了 Maverick 的端到端原型，在 Qwen3-4B 模型上以每秒 token 数（throughput）为指标进行评测，覆盖 1 至 8 个客户端线程的配置。实验结果显示：在单客户端线程、服务端为最多 128 线程的 CPU 场景下，相比本地推理，掩码在线生成时吞吐最高提升 17 倍，掩码预计算时为 45 倍，仅做验证时为 44 倍；在四客户端线程下，对应提升分别为 13 倍、18 倍和 17 倍。当服务端算力不再是瓶颈时，作者用带模拟网络延迟的客户端微基准测试进一步测量，得到 12 倍至 20 倍、34 倍至 135 倍、38 倍至 157 倍的加速区间。该工作适合关注隐私保护推理、可验证计算、密码学协议工程以及 LLM 服务化基础设施的研究者与安全工程师阅读。

该论文研究了带噪奇偶学习（LPN）问题的困难性。LPN 是密码学中的基础假设，支持从对称密钥原语到公钥加密等多种构造。一个核心开放问题是：LPN 的平均情况困难性能否像 LWE 那样基于最坏情况复杂性假设。现有的最坏情况到平均情况归约（BLVW19, YZ21）依赖于线性码的统计平滑，这导致平均情况困难性仅限于噪声率高达 1/2 - 1/poly(n) 的参数，不足以用于公钥应用。本文探索了一种新方法：不要求生成矩阵的随机稀疏行组合在统计上接近均匀分布，而只要求它们在计算上不可区分。这产生了一个清晰的赢-赢结构：任何高效的 LPN 求解器都可以转化为两个高效算法 (S, D)，使得对于任意适当维度的矩阵 A 在 F2 上，要么 S 解码由 A 生成的码从随机噪声中，要么 D 区分该码的对偶的随机噪声码字与均匀分布。通过用适当的参数实例化该归约，论文获得了逆多项式噪声率 n^{-α}（α<1 任意常数）下 LPN 的平均情况困难性，假设最坏情况下同时困难性：从随机噪声中解码一个码，以及区分其对偶的随机噪声码字与均匀分布。特别地，当 α=1/2 时，归约得到了 Alekhnovich 公钥加密构造所需参数区间的 LPN 困难性，这一区间以前无法通过最坏情况归约达到。