0.6B 干翻 GPT-5.2，MemPrivacy 给 Agent 隐私问题画了句号

📌 一句话摘要

MemPrivacy 提出了一套三阶段端云 Agent 隐私保护框架，通过本地去标识化、云端处理占位符、本地还原的方式，在保护隐私的同时几乎不影响记忆系统效用，其 0.6B 小模型在隐私识别任务上 F1 达 85.97%，远超 GPT-5.2。

📝 详细摘要

本文介绍了由记忆张量 MemTensor 团队提出的 MemPrivacy 框架，旨在解决端云 Agent 的隐私困境。核心思路是在本地设备上识别并替换敏感信息为带语义类型的占位符（如），云端只处理占位符，不接触原始数据，最后在本地还原。框架设计了四级隐私分类体系（PL1-PL4），用户可按需配置保护策略。团队训练了 0.6B、1.7B、4B 参数规模的专用隐私提取模型，采用 SFT + GRPO 两阶段训练法。在 MemPrivacy-Bench 上，4B 模型 F1 达 85.97%，远超 GPT-5.2 的 68.99%。在 LangMem、Mem0、Memobase 三款记忆系统上的测试表明，保护 PL2+PL3+PL4 信息后，问答准确率下降不超过 1.60%，而传统暴力屏蔽方法会导致准确率暴跌 26%-42%。文章认为 MemPrivacy 在隐私保护与 Agent 效用之间取得了良好的平衡，具有工业部署价值。

💡 主要观点

- MemPrivacy 提出三阶段闭环设计，在本地去标识化、云端处理占位符、本地还原。 本地设备识别敏感信息并替换为带语义类型的占位符，云端只处理占位符，不接触原始数据，最后在本地还原，实现隐私保护与个性化体验的平衡。

四级隐私分类体系（PL1-PL4）支持按需配置保护策略。 从低敏感的兴趣爱好到最高机密的密码/验证码，用户可设置不同保护阈值，实现精细化、可配置的隐私保护，避免一刀切。

0.6B 小模型在隐私识别任务上 F1 达 85.97%，远超 GPT-5.2。 专用小模型通过 SFT + GRPO 两阶段训练，在 MemPrivacy-Bench 上表现优异，且推理延迟低于 0.5 秒，适合端侧部署。

MemPrivacy 对记忆系统效用的影响极小，准确率下降不超过 1.60%。 在 LangMem、Mem0、Memobase 上的测试表明，保护 PL2+PL3+PL4 后问答准确率下降极小，远优于传统暴力屏蔽方法（准确率暴跌 26%-42%）。

💬 文章金句

- 让 Agent 记住你，是它变聪明的开始，也是你隐私暴露的起点。

Agent 记忆必须保护，但不能让 Agent 变傻。
好的隐私保护方案，不应该是让用户反复确认是否同意、读一堆晦涩的隐私协议，而是像 MemPrivacy 这样——保护默默地发生，体验丝般顺滑。

📊 文章信息

AI 初评：86

来源：PaperAgent

作者：PaperAgent

分类：人工智能

语言：中文

阅读时间：15 分钟

字数：3576

标签： Agent 隐私, MemPrivacy, 端云架构, 隐私保护, 记忆系统

阅读完整文章

0.6B 干翻 GPT-5.2，MemPrivacy 给 Agent 隐私问题画了句号

🤖 問 AI