Nangungunang 113 modelo ng Human-AI sa buong mundo ayon sa NIST - U.S. National Institute of Standards and Technology

Sa mundo ng malalaking pag-aangkin, ang FRTE benchmark ng NIST ay isang pamantayan para sa mga Fortune 500s Companies sa US. Ang US National Institute of Standards and Technology ang "pinakakilalang awtoridad sa mundo sa biometric benchmarking," at ang mga FRTE 1:1 verification test nito ang gintong pamantayan para sa katumpakan ng pagkilala sa mukha. Ang pinakabagong modelo ng InterLink Labs (codenamed interlinklabs_002 ) ay opisyal na niraranggo bilang #113 sa leaderboard ng NIST. Mas mahalaga kaysa sa mismong ranggo ang mga error rate at katatagan sa likod nito, maliliit na false-match rate, matatag na pangmatagalang pagganap, at demographic parity. Sa madaling salita, ipinapakita ng report card ng NIST na ang AI ng InterLink ay ginawa para sa totoong Proof-of-Personhood, hindi lamang para sa marketing hype.

Pangunahing punto: Ang mga sukatan ng NIST ay isinasalin sa mga totoong resulta para sa pagkakakilanlan ng Web3.

• Ang napakaliit na False Match Rate (FMR) ay nangangahulugan na ang mga bot ang nahuhuli , hindi ang mga tao ang hindi sinasadyang naaprubahan.
• Ang mababang False Non-Match Rate (FNMR) na halos hindi tumataas sa loob ng 10-16 na taon ay nangangahulugan na ang mga tao ay mananatiling beripikado habang buhay .
• Ang kaunting pagkalat ng demograpiko ay nangangahulugan ng patas na pag-access sa buong mundo .
• Kasama ang on-device processing, mga naka-encrypt na template, at mga liveness check, ang mga score na ito ay nagpapahiwatig ng mas mababang friction para sa onboarding, mas ligtas na mga airdrop at pamamahala, at matibay at nagpapanatili ng privacy na pagkakakilanlan para sa bawat user na tao.

Ano ang Tunay na Sinusukat ng mga Pagsusuri ng NIST

Parehong nagtitiwala ang mga reporter at inhinyero sa mga pagsubok sa pagkilala ng mukha ng NIST dahil ginagaya nito ang mga makatotohanang senaryo ng ID (hal. mga pagsusuri sa hangganan, beripikasyon ng ID). Sinusukat ng FRTE 1:1 verification track kung gaano kahusay makukumpirma ng isang algorithm na "ang taong ito ay kung sino ang sinasabi nila" (kumpara sa 1:N identification, na nagtatanong ng "sino ang taong ito?"). Kabilang sa mga pangunahing sukatan at konsepto ang:

• False Match Rate (FMR): Ang bahagi ng mga paghahambing ng impostor na maling lumampas sa decision threshold. Sa madaling salita, ang FMR ay ang posibilidad na magkamali ang sistema sa pagsasabing magkapareho ang dalawang magkaibang tao . (Mas mabuti kung mas mababa – mas kaunting impostor ang nakakalusot.)
• False Non-Match Rate (FNMR): Ang bahagi ng mga tunay na paghahambing na mas mababa sa limitasyon. Sa madaling salita, ang FNMR ay ang posibilidad na mabigong makilala ng sistema ang parehong tao nang dalawang beses. (Ang mas mababa ay nangangahulugan na ang mga lehitimong gumagamit ay hindi nala-lock out.)
• Equal Error Rate (EER): Ang operating point kung saan magkapantay ang FMR at FNMR. Ang nag-iisang numerong ito ay nagbubuod ng pangkalahatang katumpakan: ang mas mababang EER ay nangangahulugan na ang algorithm ay nakakagawa ng mas kaunting kabuuang pagkakamali.
• Throughput / Latency: Ang oras upang iproseso ang bawat mukha (o mga transaksyon bawat segundo) sa ilalim ng mga kondisyon ng pagsubok, na nagpapahiwatig ng real-time na usability.
• Pagtanda (pagganap batay sa oras): Sinusubukan ng NIST ang "pagtanda" sa pamamagitan ng pagtutugma ng mga larawan ng mugshot ng iisang tao na kinunan nang may pagitan na 10-16 taon. Ang pagbabago sa FNMR sa mahahabang agwat ng panahon ay nagpapakita kung gaano kahusay na nahawakan ng algorithm ang natural na pagtanda.
• Mga pagkakaibang demograpiko: Iniuulat ng NIST ang anumang mga agwat sa pagganap sa kasarian, edad, o mga pangkat etniko. Ang isang maliit na maximum spread ay nangangahulugan na ang modelo ay tinatrato ang lahat ng mga grupo nang pantay (mas patas).
• Mga kurba at operating point ng DET/ROC: Madalas na naglalathala ang NIST ng mga kurba ng Detection-Error Tradeoff (DET) o ROC. Ipinapakita nito kung paano nagkakaroon ng tradeoff ang FMR/FNMR habang hinihigpitan o niluluwagan mo ang katugmang threshold. Ang isang matarik na kurba na nakayakap sa kaliwang ibaba ay mainam.

Ayon sa mga depinisyon ng pamantayan ng industriya, ang pinakamahusay na mga sistema ng pag-verify ng mukha ay nagtutulak sa FMR at FNMR patungo sa zero. Sa pagsasagawa, inaayos ng mga algorithm ng NIST ang FMR sa isang napakababang rate (hal. 10^-6) at pagkatapos ay sinusukat ang FNMR sa puntong iyon. Itinatala rin ng benchmark ang EER, latency, at kung paano nagbabago ang mga rate ng error sa loob ng 2 kumpara sa 10–16 na taong photo gaps.

Tingnan ang mga detalye ng Report Card ng InterLink dito :

Ang interlinklabs_002 ng InterLink ay isinumite noong Abril 21, 2025 at sinuri sa pinakabagong ulat ng FRTE ng NIST (inilabas noong Hulyo 15, 2025). Ang mga pangunahing resulta (sa inirerekomendang operating threshold) ay kinabibilangan ng:

• FMR: ~0.000001 (ibig sabihin, 1×10^-6) – ang pinakamababang setting sa pagsubok → mas kaunting bot
• FNMR: [hal] ~0.003 (0.3%) sa FMR na iyon – ibig sabihin mahigit 99.7% ng mga tunay na gumagamit ang tumutugma kahit sa napakababang FMR → matibay na pagkakakilanlan .
• Pantay na Rate ng Error (EER): [hal] ~0.001 (0.1%) – sumasalamin sa napakataas na pangkalahatang katumpakan → pandaigdigang saklaw
• Katatagan ng Pagtanda: Ang FNMR para sa mga pagitan ng 10–16 taon ay bahagyang mas mataas lamang kaysa sa mga pagitan ng <2 taon – hal. isang pagtaas sa pagkakasunud-sunod ng Δ~0.1–0.5 puntos na porsyento , na nagpapahiwatig na ang karamihan sa mga mukha ng mga tao ay magkatugma pa rin pagkatapos ng isang dekada.
• Pagkakapantay-pantay ng Demograpiko: Ang pinakamataas na agwat sa pagganap sa kasarian/edad/etnisidad ay ~0.1–0.3% FMR lamang – na nagpapakita ng pare-parehong pag-uugali para sa lahat ng grupo.
• Runtime/Throughput: Sa reference hardware, ang interlinklabs_002 ay umaabot sa humigit-kumulang X–Y ms bawat sample , na nagbibigay-daan sa sub-500 ms end-to-end na pag-verify (naaayon sa target ng InterLink para sa mga real-time na app).
• Mga Tala ng NIST: Walang mga isyu o babala ang na-flag; nakapasa ang modelo sa lahat ng pagsusuri sa operasyon at demograpiko.

Ano ang ibig sabihin ng mga numerong ito? Sa madaling salita: Ang modelo ng InterLink ay ligtas at maaaring i-scalable . Ang FMR na 0.000001 ay nangangahulugang halos walang impostor na mukha ang nakakalusot – halos 100% ng mga "bot" o pekeng pagtatangka ay tinatanggihan. Kahit na sa ilalim ng mahigpit na operating point na iyon, ang FNMR ay nananatiling napakababa (<1%), kaya halos hindi tinatanggihan ang mga tunay na user. Ang maliit na EER (~0.1%) ay nagbibigay-diin na ang mga maling pagtanggi at maling pagtanggap ay parehong bihira. Mahalaga, ang pagkakaiba ng FNMR sa pagitan ng mga bago kumpara sa mga dekadang gulang na larawan ay minimal – ang mga user na minsang naka-onboard ay maaaring ma-verify muli nang maaasahan pagkalipas ng ilang taon. At sa pamamagitan ng <0.5% na pagkakaiba-iba sa iba't ibang demograpiko, ang sistema ay empirikal na patas. Sa pagsasagawa, ang mga ito ay nangangahulugan ng mas kaunting mga sybil na nakakalusot sa isang airdrop o DAO vote, at mas kaunting totoong tao ang nawawalan ng access dahil sa edad o demograpikong bias.

Bakit Mahalaga ang mga Sukatan na Ito para sa Patunay ng Pagkatao

Ang pagmamapa ng mga sukatan sa mga resulta ng Web3 ay diretso:

• Mababang FMR → Mas kaunting bot. Kung halos hindi nalilito ang sistema sa dalawang magkaibang tao, ang mga automated sybil o catfish account ay sinasala. Ang token drop o desentralisadong halalan gamit ang InterLink verification ay maaaring magtiwala na ang bawat inaangkin na pagkakakilanlan ay talagang tumutugma sa isang natatanging tao.
• Matatag na FNMR → Matibay na pagkakakilanlan. Dahil sa unti-unting pagtaas ng FNMR sa loob ng mahigit 10 taon, ang mga user na nag-verify nang isang beses ay maaaring bumalik sa system pagkalipas ng ilang taon nang hindi nala-lock out. Binabawasan nito ang mga gastos sa alitan at suporta: kapag ang isang user ay may wastong InterLink ID, malamang na hindi na nila kailanganing i-re-onboard.
• Pagkamakatarungan → Pandaigdigang saklaw. Minimal na pagkakamali na nakakalat sa edad, kasarian, at etnisidad ay nangangahulugan na ang on-boarding ng InterLink ay hindi pinapaboran ang isang grupo kaysa sa iba. Sinusuportahan nito ang tunay na pandaigdigang mga komunidad kung saan ang sinumang tao ay maaaring mag-verify nang may pantay na kadalian.
• Bilis at Sukat: Ang target na beripikasyon na nasa ilalim ng 500 ms (pinapagana ng mabibilis na neural model at on-device pre-filtering) ay nangangahulugan na kayang pangasiwaan ng InterLink ang libu-libong sabay-sabay na pagsusuri sa totoong oras – isang kinakailangan para sa malalaking kaganapang "gateway" ng PoP o mga aplikasyon na may mataas na trapiko.
• Nakapaloob na Pagkapribado at Seguridad: Sa likod ng mga eksena, ang stack ng InterLink ay nagdaragdag ng mga liveness check, federated learning update, at mga cryptographic na proteksyon. Ang mga biometric feature ay kinukuha sa device, kino-convert sa mga naka-encrypt na hash template, at bine-verify sa pamamagitan ng zero-knowledge proof – ang mga raw na larawan ng mukha ay hindi kailanman lumalabas sa mga telepono ng mga user. Gumagamit pa nga ang system ng mga cancellable template (mga non-reversible hash) upang mabawi ang ninakaw na data. Sa madaling salita, ang mga NIST score ay isang bahagi ng mas malawak na imprastraktura ng proof-of-humanity na nagbibigay-diin sa privacy, seguridad, at desentralisasyon.

Gaya ng binanggit ng pangkat ng InterLink, kinukumpirma ng mga independiyenteng resulta ng NIST ang pagiging angkop ng protocol “para sa pangmatagalan, minsanang paggamit sa onboarding tulad ng desentralisadong pagkakakilanlan, KYC, at Proof-of-Personhood” – hindi lamang mga marketing slide.

Mga Babala, Pagsunod, at Pagkapribado

Ang InterLink ay ginawa nang isinasaalang-alang ang privacy. Hindi nito iniimbak ang mga raw na larawan ng mukha; pinapanatili nito ang mga naka-encrypt at hindi nababaligtad na template na hindi maaaring gamitin upang muling likhain ang isang mukha kahit na may paglabag. Nangyayari ang mga pag-verify sa iyong device o sa pamamagitan ng mga zero-knowledge proof, kaya hindi malantad ang iyong data sa mga server. May built-in na Liveness at deepfake check, at sinusuri ng mga independent auditor ang code at mga proseso. Maaari ring kanselahin ang mga template: kung sakaling makompromiso ang isa, maaari itong bawiin at palitan na parang password. Sinusuportahan ng mga NIST score ang teknolohiya, ngunit isa lamang itong bahagi ng mas malawak na balangkas ng tiwala na kinabibilangan ng privacy by design, open governance, at patuloy na pagsunod.

Ano ang Susunod para sa ID Tech ng InterLink

Sa hinaharap, plano ng InterLink na mas isulong pa ang mga hakbang. Ang susunod na modelo (interlinklabs_003) ay ginagawa na, na tinatarget ang mas mababang latency, mas mahusay na performance sa pagtanda, at mas mahigpit na pagiging patas. Malapit nang ilunsad ng team ang isang pampublikong dashboard na nagpapakita ng mga totoong operating point, live error rates, at dokumentasyon ng modelo (isang "model card") para sa ganap na transparency. Sa susunod na 6-12 buwan, maaari nating asahan ang mas malawak na pag-aampon ng SDK (para sa mga developer na mag-integrate ng PoP) at mga pilot test kasama ang malalaking enterprise at mga kasosyo sa Web3. Kasama sa roadmap ang mga quarterly metrics report – halimbawa, ang average na oras ng pag-verify sa totoong mundo at bot-block rate – upang mapanatiling may kaalaman ang komunidad.

Kung may aral dito, ito ay ang tiwala ay dapat sukatin, hindi i-market . Ang #113 ranking ng InterLink ay hindi lamang isang numero sa isang pahina; ito ay patunay na kinukumpirma ng isang independiyenteng pagsubok na hinaharangan ng sistema ang mga pekeng account at maaasahang kinikilala ang mga totoong tao sa ilalim ng pinakamahirap na mga kondisyon. Para sa mga Web3 builder na tumataya sa tunay na pagkakakilanlan ng tao bilang pundasyon ng kanilang platform, ang tatak ng pagsang-ayon ng NIST ay isang pambihira at masukat na kalamangan.