LLM‑as‑a‑Service 已成为无需本地部署即可使用大语言模型的主流方式，但用户查询往往包含敏感信息，导致隐私风险。差分隐私（DP）提供了严格的隐私保障，但现有 DP 推理方法主要针对短至中等长度上下文，面对百万级 token 的长文本时会因上下文容量受限和噪声扰动导致效用急剧下降。
DP‑MIND 提出了一套记忆引导的框架，使 DP 推理能够扩展到百万级上下文。核心思路是先在本地对原始输入加入 DP 噪声，然后将噪声化的文本按块（chunk）顺序送入模型，同时维护一个紧凑的记忆库，用于跨块保存任务相关信息。为使记忆在噪声干扰下仍保持有效，DP‑MIND 直接在扰动后的输入上使用强化学习优化记忆构建策略，奖励函数同时考虑最终答案的正确性和记忆的一致性。
在得到模型输出后，DP‑MIND 通过一个局部去噪模块恢复被噪声破坏的答案片段，整个过程不需要将原始上下文暴露给外部模型。我们给出 DP‑MIND 的隐私理论分析，证明其满足 $(\epsilon,\delta)$‑DP。实验在多个长上下文基准上进行，上下文长度最高达 1M token，结果显示 DP‑MIND 在可扩展性和效用上均显著优于现有 DP 方法和长上下文推理基线。
点评：DP‑MIND 通过记忆机制和强化学习的结合，成功突破了差分隐私在长文本推理中的瓶颈，为安全的 LLM‑as‑a‑Service 提供了可行路径。