Concrete v2.8版本发布，主要更新包括： Concrete与TFHE-rs的互操作性，允许开发者在两者之间转换整数，利用各自的优势；自动模块追踪功能，简化了模块编译的流程；以及新增了多个教程，展示了FHE和Concrete在实际应用中的用例。此外，新版本还包括各种优化和错误修复，尤其是在Concrete GPU运行时，提高了FHE评估的速度。

Zama 发布了 TFHE-rs (v0.8)、Concrete (v2.8) 和 Concrete ML (v1.7) 的新版本。

TFHE-rs v0.8版本发布，引入了加密数组类型，并增强了多GPU计算能力，开发者可以更轻松地处理向量和张量，同时大幅缩短GPU上算术运算的计算时间，此外，新版本还引入了诸多新特性，包括后同态计算密文压缩、更多基于GPU的同态运算、以及CPU运算的改进等。

Zama团队使用Concrete ML加速了同态加密（FHE）在机器学习中的应用，并成功超越了之前论文中的基准测试结果。他们通过改进编译器，分离了机器学习和密码学任务，并采用了MLIR框架，支持多种硬件加速器。实验结果表明，新的Concrete ML在执行速度上有了显著提升，例如NN-20模型比2021年的结果快21倍。

本文介绍了如何使用 Concrete ML 构建一个端到端加密的类似于 23andMe 的基因测试应用程序。文章重点介绍了 Zama Bounty Program Season 5 中两个获胜的解决方案，它们都使用了全同态加密（FHE）来保护敏感的 DNA 数据，并对这两种方案的实现原理、精度和性能进行了分析，展示了 FHE 在保护个人身份信息（PII）方面的价值。

Zama 团队发布了 TFHE-rs (v0.7)、Concrete (v2.7)、Concrete ML (v1.6) 和 fhEVM (v0.5) 的新版本。

Concrete v2.7版本发布，引入了GPU加速功能，通过安装GPU wheel并设置use_gpu选项即可利用GPU进行FHE计算加速，最多可提速2.5倍。同时，新版本还扩展了函数组合的支持，通过分区优化和指定函数依赖关系，进一步提升模块的性能。此外，v2.7还包含其他一些小的改进。

Zama 团队发布了 fhEVM v0.5 版本，该版本引入了诸多增强功能，旨在提高在应用中处理加密数据的安全性和效率，包括打包输入机制、增强的访问控制列表 (ACL) 以及更新的解密和重新加密过程。Solidity API 迎来稳定和最终版本，该版本将与未来版本以及各种链兼容。

TFHE-rs v0.7 版本发布，引入了密文压缩和多 GPU 支持等重要特性。密文压缩可将密文大小最多减少 1900 倍，而多 GPU 支持能够显著提升同态计算的性能，文章还介绍了新版本中参数集合的更新、新的向量和数组运算、优化的零知识证明以及优化的 GPU 密钥切换等额外功能。

Concrete ML v1.6 版本提升了大型神经网络的延迟，增加了对预训练的基于树模型的支持，并通过引入 DataFrame 模式和简化 Logistic 回归训练的部署，从而简化了协作计算。该版本还展示了深度 MLP 模型和 ResNet18 模型的延迟改进，并提供了加密训练和 DataFrame 模式的增强功能。此外，还包含用于Windows系统的GPU支持。