本文针对当前广泛使用的参数高效微调（PEFT）范式在推理阶段存在的隐私泄露风险，提出了一种名为 CryptPEFT 的隐私保护推理方案。在现有 PEFT 流程中，用户输入和微调后的轻量适配器（adapter）可能包含敏感信息，而直接应用多方计算（MPC）等密码学技术会导致计算和通信开销巨大，因为骨干网络（backbone）与适配器之间存在固有的双向通信。为此，CryptPEFT 创新性地设计了一种单向通信（OWC）架构，将加密计算完全限制在适配器一侧，从而显著降低开销。为了在单向通信约束下保持模型效用，作者探索了 OWC 兼容的适配器设计空间，并引入自动化架构搜索算法以优化隐私推理效率与模型性能之间的权衡。实验基于 Vision Transformer 骨干网络在多个图像分类数据集上进行，结果表明 CryptPEFT 相比现有基线方法实现了显著加速：在模拟广域网（WAN）和局域网（LAN）环境下分别达到 20.62 倍至 291.48 倍的推理速度提升。在 CIFAR-100 数据集上，CryptPEFT 在仅 2.26 秒的推理延迟下达到了 85.47% 的准确率。该工作为基于 PEFT 的推理提供了一种高效且隐私保护的解决方案，适合关注隐私计算、高效推理的机器学习与安全研究人员阅读。