Zama 发布了 Concrete v2.10，引入了对 Rust 的支持，通过 concrete-macro 和 concrete 这两个 crates，可以直接在 Rust 中使用 FHE（全同态加密) 功能，使得开发者能够更容易地将 Python 原型移植到生产环境。此外，新版本还增强了与 TFHE-rs 的互操作性。

Zama 发布了 TFHE-rs v1.1 版本，该版本在 GPU 和 CPU 后端都有重大改进和新特性。GPU 方面，升级了后端，采用了与 CPU 相同的默认加密参数，显著提高了多 GPU 的支持，CPU 方面，通过支持更多的标量案例扩展了算子集，该版本还引入了分块引导密钥生成，以更好地支持内存受限环境中的操作。

Concrete v2.10 发布，引入了对 Rust 的支持，通过 concrete-python 将 Python 程序编译为 FHE 等效程序，然后在 Rust 项目中使用，以便在生产环境中部署。新版本还增强了与 TFHE-rs 的互操作性，可以更轻松地结合两者的优势。

Concrete ML v1.9 版本发布，引入了对 TFHE-rs 密文格式的支持，使 Concrete ML 模型能够无缝集成到基于 Rust 的 FHE 管道中。

Zama 发布了 TFHE-rs (v1.1)、Concrete (v2.10) 和 Concrete ML (v1.9) 的新版本。

Zama 发布了 TFHE-rs v1.1 版本，GPU 后端升级，采用与 CPU 相同的默认加密参数，降低了计算错误的概率。多 GPU 支持也得到了显著改善，开发者可以选择要使用的 GPU，在 8×H100 GPU 上每秒可进行接近 500 次加密的 64 位加法。CPU 方面，此版本通过支持更多标量情况扩展了运算符集，从而使同态计算更加通用和高效。

Zama发布 Concrete ML v1.9 版本，该版本支持 TFHE-rs 密文格式，支持开发者使用 Rust 生态系统进行加密机器学习工作流程，能够将 Concrete ML 模型无缝集成到基于 Rust 的 FHE 管道中。同时，LoRA LLM 微调协议也得到了性能上的改进，并推出了新的 SDK，旨在构建支持 FHE 的浏览器和移动应用程序，使移动用户能够安全地处理敏感数据。

文章讨论了在私募股权通证化中，保密性的重要性，以及全同态加密（FHE）等隐私保护技术如何实现保密。文章指出，私募股权的私有性是其本质，投资者和公司都不希望敏感信息公开。FHE允许在加密数据上进行计算，从而在不泄露敏感信息的情况下，进行资格证明、收益分配和治理投票。Zama正在与OpenZeppelin和Inco合作开发保密的ERC-20通证标准。

Zama团队在EUROCRYPT 2025上展示了其在全同态加密(FHE)方面的最新研究成果，该研究旨在通过控制密文漂移来提高FHE的安全性及效率，特别是在IND-CPAD安全模型下。他们提出了一系列新技术，能够在不显著增加计算成本的前提下，降低解密错误的概率，从而提升FHE在实际应用中的安全性，并引入了更强的安全模型sIND-CPAD。

本文介绍了Zama Bounty Program Season 7的获奖方案，该方案使用全同态加密（FHE）和Concrete ML实现了加密图像的隐形水印。该方案包含一个编码器神经网络（用于嵌入水印）和一个解码器神经网络（用于提取水印）。文章还讨论了该方案的性能和水印提取方法，以及其在版权保护、身份验证和篡改检测等方面的应用潜力。