想在云端使用顶尖AI，又担心敏感信息泄露？这是一个普遍的困境。一种新思路提供了解决方案：不改变强大的云端模型，而是在本地用一个轻量模型对数据进行匿名化处理。这种方法旨在让数据在离开设备前就“穿上保护衣”，从而在享受AI能力的同时，最大程度地保护个人隐私。
智能速览
现有隐私方案存在性能不足或泄露风险。
新方案通过替换敏感信息而非重写提示来保护隐私。
利用GRPO技术训练的小模型实现了高精度匿名化。
一个1.7B参数的小模型，匿名化效果接近GPT-4.1。
该方法为“强能力+足够好隐私”提供了可行的第三种选择。
精华内容
这个名为Freysa的方案，其巧妙之处在于它试图解决一个核心矛盾：如何在不牺牲云端模型强大能力的前提下，有效保护用户隐私。它的答案，是一种精准的“替身术”。
现有方案的短板
目前主流的几种方案都有明显缺陷。可信执行环境（TEE）听起来安全，但无法运行强大的闭源模型。而想在本地运行顶级开源模型，如Qwen3-Coder，对硬件要求极高。此前PAPILLON系统尝试用本地模型重写查询再发往云端，但效果不佳，准确率降至85%，且有7.5%的概率直接泄露隐私，因为它试图重写整个提示，容易理解偏差或画蛇添足。
精准的“替身术”
Freysa的思路更为精细，它不重写提示，只替换其中的敏感信息。例如，将“我在Google工作”替换为“我在TechCorp工作”，将“云基础设施”替换为“企业软件”。这样，问题的核心意图得以保留，但个人身份、公司、项目等关键信息被匿名化。更重要的是，系统会确保对连续问题的匿名化处理各不相同，防止云端模型通过关联分析追踪到同一个用户。
小模型的突破
实现这一目标的关键，是训练一个能在本地设备高效运行且足够精准的小模型。团队使用3万个样本训练Qwen3系列模型，初期效果并不突出。真正的突破来自采用GRPO（群体相对策略优化）结合LLM评判器的训练方法。GRPO特别适合PII替换这种存在多种正确答案的场景，最终训练效果惊人。一个参数量仅为GPT-4.1千分之一的1.7B模型，匿名化评分达到了9.20/10，与GPT-4.1的9.77/10非常接近。
实用价值分析
该方案的实用性表现良好，延迟控制在500ms以内，准确率超过99%，并支持任何文本API。其保护范围覆盖身份、关系、位置、时间和财务数据，同时保留非敏感的语言结构和公共信息。部署上，从MacBook开始，最终目标是手机。对大多数用户而言，这种“足够好的隐私+强大的能力”的组合，比“完美的隐私+受限的能力”更具吸引力。它为AI隐私保护提供了一个务实且易于落地的第三种选择。
Freysa的方案没有颠覆现有AI技术栈，而是巧妙地叠加了一层“变装术”，这种渐进式创新往往更具现实意义。虽然它仍需用户信任其基础设施，但作为平衡AI能力与数据安全的过渡方案，已经展现出巨大潜力。未来，我们能否看到更多这样轻量而巧妙的解决方案，让个人在享受技术便利时不再为隐私而焦虑？
