🆕 @SentientAGI 最近在 NeurIPS 上展示了一个非常有价值的概念 —— OML（Open, Monetizable, Loyal）。

这套新框架正在重新定义“开放模型”的边界，目标是让模型既能保持开放特性，又能实现明确的治理、可验证的溯源，以及可持续的经济激励。开源 AI 一直存在一个核心矛盾：一旦权重被公开，模型的控制权和原创价值几乎无法保证，开发者难以追踪使用来源，也无法建立稳定的经济体系。OML 就是为了解决这些长期存在的问题。

OML 让模型在保持使用灵活度的同时，也能维护原作者的权益。传统开源模式下，模型被复制、改名、再发布是常见现象，这种方式削弱了原创的价值和信任。OML 引入的加密机制让模型拥有了“可验证身份”，任何使用、修改或部署行为都能被记录和审计。

在系统架构上，OML 采用了“控制层（Control Plane）”和“数据层（Data Plane）”的双层设计。

控制层主要负责密钥管理、策略评估和行为认证。
数据层负责模型的实际推理执行。

每一次模型运行前，控制层会先验证授权信息，确保执行符合策略要求；运行后，所有操作会自动写入签名日志，形成不可篡改的记录。即使模型在本地运行，也能保留可信的运行证明，不依赖中心化 API 或外部平台。这种架构让模型的可用性和安全性都得到显着提升。

另一个亮点是 加密指纹（Fingerprint）。OML 为模型嵌入一组隐藏的加密特征，这些特征不会影响模型性能，但可以在需要时验证来源。任何人若怀疑某个模型的来源，只要发起加密验证请求，模型就会生成一段独特的 32 位响应字符串，证明它的归属。这种机制让模型的原创性有了明确证据，也让开源模型成为可授权、可交易的数字资产。

从行业角度来看，OML 提供了一种新的“开放治理”模式。它让模型的分发和使用更透明，研究者可以继续在公开环境下进行合作，而企业和项目方也能通过可追踪的授权体系形成稳定收益。模型的行为、使用记录和授权状态都有据可查，从技术和制度层面建立了可持续的开源生态。

在 NeurIPS 的 Lock-LLMs Workshop 上，Sentient 展示了 OML 在防止模型知识滥用方面的成果。OML 通过引入加密控制层，让模型的运行过程具备可验证的政策执行能力。即使模型权重完全开放，也能通过这套机制确保运行遵循既定规则。

OML 的出现，为开源模型生态带来了新的平衡方式。它让开放的意义更加清晰——共享不再意味着失去控制，创新能够与治理并行。通过加密、授权、审计三位一体的设计，OML 为未来的开放 AI 提供了一种更成熟、更长期的运行框架。这套机制让开放模型具备了可持续发展的土壤，也让科研、商业与社区的利益得以在同一个系统中共存。

#KAITO #SentientAGI #Sentient