美国国家标准与技术研究院 (NIST) 评选的全球 113 个顶尖人机融合模型

在各种夸大其词的时代， NIST 的 FRTE 基准测试是美国财富 500 强企业的行业标准。美国国家标准与技术研究院 (NIST) 是“全球公认的生物识别基准测试权威机构”，其 FRTE 1:1 验证测试是人脸识别准确率的黄金标准。InterLink Labs 的最新模型（代号interlinklabs_002 ）刚刚在 NIST 排行榜上正式位列第 113 位。比排名本身更重要的是其背后的错误率和稳定性，例如极低的误匹配率、稳定的长期性能以及人口统计特征的一致性。简而言之，NIST 的这份报告表明，InterLink 的人工智能是为真实世界的身份证明而打造的，而不仅仅是为了营销噱头。

关键结论：NIST 指标可转化为 Web3 身份的实际成果。

• 极低的错误匹配率 (FMR) 意味着被抓到的是机器人，而不是误操作的人类。
• 10-16 年的时间间隔内，错误不匹配率 (FNMR) 几乎不会上升，这意味着人们的身份验证将终身有效。
• 人口分布范围窄意味着全球范围内的公平获取。
• 结合设备端处理、加密模板和活体检测，这些评分意味着更低的注册门槛、更安全的空投和治理，以及为每个人类用户提供持久的、保护隐私的身份。

NIST的测试实际测量的是什么

记者和工程师都信赖美国国家标准与技术研究院 (NIST) 的人脸识别测试，因为它们模拟了真实的身份识别场景（例如边境检查、身份验证）。FRTE 1:1 验证测试衡量的是算法确认“此人是否为其自称身份”的能力（与 1:N 身份识别不同，后者询问的是“此人是谁？”）。关键指标和概念包括：

• 错误匹配率 (FMR)：错误地超过决策阈值的冒名顶替者比对所占的比例。简单来说，FMR 就是系统错误地将两个不同的人判定为同一个人的概率。（数值越低越好——漏网的冒名顶替者越少。）
• 错误不匹配率 (FNMR)：低于阈值的真实匹配结果所占的比例。换句话说，FNMR 是系统两次未能识别同一人的概率。（FNMR 越低，意味着合法用户不会被拒之门外。）
• 等错误率 (EER)： FMR 和 FNMR 相等时的工作点。这个单一数值概括了整体准确度：EER 越低，意味着算法犯的错误越少。
• 吞吐量/延迟：在测试条件下处理每张人脸（或每秒交易）所需的时间，表明实时可用性。
• 老化（基于时间的性能）： NIST 通过匹配同一人相隔 10 至 16 年拍摄的证件照来测试“老化”情况。FNMR 在长时间间隔内的变化表明了算法处理自然老化的能力。
• 人口统计差异： NIST 会报告不同性别、年龄或种族群体之间的任何性能差距。最大差异越小，意味着模型对所有群体的处理方式越相似（更公平）。
• DET/ROC曲线和工作点： NIST经常发布检测误差权衡（DET）或ROC曲线。这些曲线展示了随着匹配阈值的收紧或放宽，FMR/FNMR的权衡情况。理想的曲线应该是陡峭且紧贴左下角的。

根据行业标准定义，最佳人脸验证系统应将 FMR 和 FNMR 降至接近于零。实际上，NIST 算法会将 FMR 修正到一个极低的水平（例如 10⁻⁶），然后在该水平下测量 FNMR。该基准测试还会记录模型的 EER、延迟，以及在 2 年和 10-16 年照片间隔期间错误率的变化情况。

InterLink的成绩单详情请见此处：

InterLink 的interlinklabs_002于 2025 年 4 月 21 日提交，并在 NIST 最新的 FRTE 报告（2025 年 7 月 15 日发布）中进行了评估。主要结果（在推荐的运行阈值下）包括：

• FMR： ~0.000001（即 1×10⁻⁶）——基本上是测试中的最低设置→ 机器人数量更少
• FNMR： [例如]在该 FMR 下约为 0.003 (0.3%) – 即使在极低的 FMR 下，超过 99.7% 的真实用户也能匹配→ 持久身份。
• 等错误率 (EER)：例如 ~0.001 (0.1%) – 反映出极高的总体准确率→ 全球覆盖
• 老化稳定性： 10-16 年间隔的 FNMR 仅比 <2 年间隔略高——例如，增加约Δ~0.1-0.5 个百分点，表明大多数人的面孔在十年后仍然匹配。
• 人口统计平等：性别/年龄/种族之间的最大绩效差距仅为~0.1-0.3% FMR – 表明所有群体的行为一致。
• 运行时间/吞吐量：在参考硬件上，interlinklabs_002 时钟频率约为每采样 X–Y 毫秒，可实现低于 500 毫秒的端到端验证（与 InterLink 的实时应用程序目标一致）。
• NIST 注释：未发现任何问题或警告；该模型通过了所有操作和人口统计检查。

这些数字意味着什么？简而言之：InterLink 的模型既安全又可扩展。FMR 为 0.000001，意味着几乎没有冒名顶替者能够蒙混过关——几乎 100% 的“机器人”或虚假尝试都会被拒绝。即使在如此严格的运行条件下，FNMR 仍然非常低（<1%），因此真实用户几乎不会被拒绝。极低的 EER（~0.1%）强调了误拒绝和误接受的情况都非常罕见。至关重要的是，新照片和十年前照片之间的 FNMR 偏差极小——注册一次的用户可以在多年后再次被可靠地验证。而且，由于不同人群之间的差异小于 0.5%，该系统在经验上是公平的。在实践中，这意味着更少的“女巫”能够通过空投或 DAO 投票，也更少的真实用户因为年龄或人口统计偏见而失去访问权限。

为什么这些指标对人格证明至关重要

将指标映射到 Web3 成果非常简单：

• 低FMR（欺诈风险）→更少的机器人。如果系统几乎不会混淆两个人，那么自动女巫或虚假账户就会被过滤掉。使用InterLink验证的代币掉落或去中心化选举可以确保每个声称的身份都确实对应于一个不同的人。
• 稳定的FNMR → 持久的身份认证。FNMR仅需在10余年内逐步增加，用户只需验证一次，即可在多年后重新登录系统而不会被锁定。这降低了用户操作的摩擦和支持成本：一旦用户拥有有效的InterLink ID，他们几乎无需重新注册。
• 公平性 → 全球覆盖。InterLink的用户注册流程误差极低，涵盖不同年龄、性别和种族，这意味着该流程不会偏袒任何群体。这有助于构建真正的全球社区，让每个人都能轻松完成身份验证。
• 速度和规模：低于 500 毫秒的验证目标（通过快速神经网络模型和设备端预过滤实现）意味着 InterLink 可以实时处理数千个并发检查——这对于大规模 PoP“网关”事件或高流量应用程序来说是必不可少的。
• 内置隐私和安全功能： InterLink 的技术栈在后台加入了活体检测、联邦学习更新和加密保护。生物特征在设备端提取，转换为加密哈希模板，并通过零知识证明进行验证——原始人脸图像始终保存在用户手机中。该系统甚至使用可撤销模板（不可逆哈希），以便撤销被盗数据。换句话说，NIST 分数只是更广泛的“人脸验证”基础设施的一部分，该基础设施强调隐私、安全和去中心化。

正如 InterLink 团队所指出的，NIST 的独立结果证实了该协议“适用于长期、一次性注册用例，例如去中心化身份、KYC 和人格证明”——而不仅仅是营销幻灯片。

注意事项、合规性和隐私

InterLink 的设计以隐私为核心。它不存储原始人脸图像；而是保存加密的、不可逆的模板，即使发生数据泄露，这些模板也无法用于重建人脸。验证过程在您的设备上进行，或通过零知识证明完成，因此您的数据不会暴露在服务器上。InterLink 内置了活体检测和深度伪造检测功能，并且代码和流程均由独立审计机构进行审查。模板也是可撤销的：如果某个模板遭到泄露，可以像密码一样撤销并替换它。NIST 评分支持这项技术，但这只是更广泛的信任框架的一部分，该框架还包括隐私设计、开放治理和持续合规性。

InterLink ID Tech的下一步发展方向是什么？

展望未来，InterLink 计划更进一步。下一代模型 (interlinklabs_003) 已在开发中，目标是更低的延迟、更优异的老化性能和更严格的公平性。团队即将推出一个公开的仪表盘，展示实际运行点、实时错误率和模型文档（“模型卡”），以实现完全透明。未来 6-12 个月内，我们有望看到更广泛的 SDK 采用（供开发者集成 PoP），并与大型企业和 Web3 合作伙伴开展试点项目。路线图包括季度指标报告——例如平均实际验证时间和机器人拦截率——以便让社区及时了解最新情况。

如果说这件事有什么启示，那就是信任必须靠衡量，而不是靠营销。InterLink 排名第 113 位不仅仅是一个数字；它证明了独立测试证实，该系统能够在最严苛的条件下拦截虚假账户并可靠地识别真实用户。对于那些将真实用户身份作为平台基石的 Web3 构建者而言，NIST 的认可是一项难得的、可量化的优势。