Vitalik Buterin a déclaré sur Farcaster qu’il menait une expérience personnelle visant à générer des recommandations personnalisées en matière d’alimentation et d’exercice à partir de données liées à la santé et aux déplacements, tout en préservant la confidentialité grâce à une combinaison de modèles « frontiers » locaux et distants. D’après ChainCatcher, le système utilise une architecture de confidentialité en trois couches : un modèle local, Qwen 3,8B, réécrit les requêtes des utilisateurs pour éviter d’exposer le style d’écriture, zkAPI masque les informations de paiement, et Tor masque les adresses IP.

Buterin a déclaré que le système fonctionne déjà, mais qu’il a identifié trois lacunes. Tor est inefficace et ajoute une latence élevée lorsqu’il faut dissocier individuellement les requêtes, le modèle local ne fonctionne qu’à 20-30 TPS et nécessiterait plus de 100 TPS pour une expérience fluide, et des contraintes plus strictes en matière de protection des données limitent la quantité d’aide que peut fournir le modèle distant. Il a ajouté que le code associé a été soumis au dépôt Ethereum zkAPI.