把一个模型开源到 Hugging Face（全球最大的开源模型托管平台），本身算不上新闻。少见的是这回发布方是美国联邦政府——具体说，是新成立、由 Airbnb 联合创始人 Joe Gebbia 挂帅的 National Design Studio，白宫 AI 政策负责人 Sriram Krishnan 转发时点明，这是美国政府挂上这个平台的第一个模型。 它要解决的问题很日常。现在大量工作是把文字丢给云端大模型处理，可只要你粘进去的是一段合同、一封邮件、一份客户名单，里面的姓名、电话、社保号、信用卡号就跟着一起上了别人的服务器，还可能被记进日志和分析系统。企业想用大模型又怕数据出门，卡的往往就是这一步。 Rampart 的思路是把这道拦截挪到你自己的浏览器里。文字发出去之前，模型先在本机扫一遍，把识别到的敏感字段替换成 [GIVEN_NAME_1]、[SSN_1] 这样的稳定占位符，多轮对话里同一个人始终对应同一个编号，真实信息从头到尾没离开设备。 能塞进浏览器，靠的是把模型做到极小。它在一个叫 MiniLM 的轻量语言模型底座上微调，再用 4-bit 量化压到 14.7MB、约 1850 万参数，比常见的对话模型小了成百上千倍。跑起来也快：处理一句话在普通 CPU 上 6.6 毫秒，用上浏览器的显卡加速（WebGPU）降到 3.9 毫秒，基本无感。识别覆盖 17 类实体、从英语到荷兰语共 7 种拉丁字母书写的语言，在三万条测试集上私密词召回率 98.42%，漏掉的约占 1.6%。 值得注意的是它的开放姿态：训练数据用的是社区公开的 ai4privacy 数据集，模型许可证也给了宽松的 CC-BY 4.0，任何人可以自由取用、二次分发。一个政府机构用开源数据训模型、再以开源许可放回社区，和过去官方软件闭门发布是两条完全不同的路子。 但这块挡板有明显盲区，而且是官方自己列出来的。对非拉丁文字的名字，召回率只有约 14%，意味着中文、日文、阿拉伯文的人名基本挡不住；政府证件类号码的召回也只有 67.6%；再加上零宽字符、提示注入这类简单手法就能绕开它。 所以它更像一层默认防护，而不是真正的安全边界：能拦住无意间粘进去的英文邮箱和电话，拦不住有心人，也照顾不到非拉丁语世界的用户。对打算拿它当合规卖点的团队来说，先弄清自己的数据是哪种语言、哪类字段，比盯着那个 98% 更要紧。