在手机上用模型处理邮件、会议纪要和文档，用户真正关心的往往不是模型参数，而是两件事：它凭什么给出这个结果，以及这些内容会不会离开自己的设备。这两个问题指向同一套机制——推理发生在哪里、依据什么上下文、输出如何被约束，以及数据在哪个环节越过了隐私边界。把“输出依据”和“隐私边界”分开讨论容易失真，因为输出质量越依赖更多上下文，隐私暴露面往往越大。
需要先说明的是，手机端模型推理并非单一形态：有的完全在本地完成，有的把部分计算放到云端，还有的先本地预处理再按需上传。不同形态下，“输出依据”与“隐私边界”的答案并不相同。理解这一点，才能判断一次办公场景中的模型输出是否可信、一次数据流动是否可接受。
输出依据从哪来：本地上下文、检索内容与模型先验
模型在办公场景中给出的结论，通常由三类信息共同决定。第一类是用户当前提供的输入，例如正在编辑的段落、选中的表格或口述的指令；第二类是设备内可访问的上下文，例如同一应用中的历史文档、日历条目或联系人信息；第三类是模型自身训练形成的先验知识。三类信息的权重不同，输出依据的可追溯程度也不同：用户输入最容易被核对，本地上下文取决于应用授权，模型先验则几乎无法逐条溯源。
因此，判断一条输出是否可靠，关键不是看它语气是否笃定，而是看它是否把依据落在可核验的材料上。如果输出引用了用户提供的原文，用户可以回到原文比对；如果输出依赖设备内其他文件，用户至少应知道模型被允许读取哪些范围；如果输出主要来自模型先验，那么在涉及公司政策、合同条款或数字计算时，就需要额外核验。输出依据越模糊，越不适合直接进入正式办公流程。
本地推理并不等于零暴露：边界在数据入口和结果出口
“在手机上运行”常被理解为数据不出设备，但隐私边界不只由计算位置决定。模型要产生有用输出，前提是能读到输入；输入进入模型的那一刻，就形成了数据暴露。若应用把整份文档送入模型上下文，即使计算全在本地，敏感信息也已经进入一个可能被日志记录、缓存或后续调用的通道。边界问题因此首先发生在数据入口，而不是算力位置。
结果出口同样重要。模型输出可能被复制到剪贴板、写入历史记录、同步到其他设备，或作为后续对话的上下文保留。对日常办公而言，真正需要确认的是：哪些内容被读入、读入后保留多久、输出是否会被再次使用。把“本地推理”当作隐私充分的证明，容易忽略这些环节；更稳妥的做法是把隐私边界理解为一条链，而不是一个点。
办公场景的特殊性：多人协作让边界从个人扩展到组织
个人使用模型时，隐私边界主要围绕本人数据；办公场景则不同。一份文档可能包含同事的姓名、客户的联系方式、未公开的报价或内部流程，这些信息的权利并不完全属于操作者。模型读取并处理这些内容时，边界判断就不能只由个人偏好决定，还需要考虑组织的数据管理规则和他人对信息用途的合理预期。
这也解释了为什么同一款手机应用在个人场景下可接受，在办公场景下却可能引发争议。协作环境中的输出依据往往来自多人共同维护的材料，模型一旦把这些材料用于生成摘要或建议，结果可能被转发给未获授权的人。边界因此不只是“是否上传”，还包括“输出可以被谁看到、被用于什么目的”。在缺乏明确规则时，保守做法是缩小输入范围，而不是依赖事后删除。
可解释性与隐私的张力：越透明，越可能要求更多上下文
提升输出依据的可解释性，通常意味着让模型展示它参考了哪些材料。这对核对结论有帮助，但也可能要求模型保留更多上下文、记录更多中间信息。换句话说，可解释性与隐私保护之间存在真实张力：完全黑箱的输出难以核验，完全透明的记录又扩大了数据留存面。两者并非不可兼得，但需要设计上的取舍，例如只展示依据来源类别而不保留原文，或让记录在会话结束后按规则清除。
对用户而言，判断这种取舍是否合理，可以看两个条件：展示的依据是否足以支持复核，以及这些展示信息是否会被用于输出之外的目的。如果可解释性只是把敏感原文重新陈列一遍，它带来的风险可能大于收益；如果它只说明“参考了哪类材料”而不扩散内容，则更接近可接受的平衡。
判断边界是否成立，可以观察哪些信号
在没有统一标准的情况下，用户和机构可以通过若干可观察信号形成判断。其一，输入范围是否可控：用户能否选择只让模型读取选中段落，而不是整个文档库。其二，输出是否可追溯：模型是否说明依据来自用户输入、本地文件还是自身知识。其三，留存是否可管理：会话记录、缓存和同步是否有清晰的关闭或清除方式。其四，权限是否与场景匹配：办公应用是否要求了与其功能不相称的设备访问权限。
这些信号不能替代正式合规审查，但能帮助判断一次使用是否处在合理边界内。对组织来说，更值得关注的是把边界规则写进日常流程，例如明确哪些材料不进入模型上下文、哪些输出必须人工复核、哪些记录需要定期清理。规则越具体，越不依赖个人对“隐私”的模糊直觉。
核心判断是：手机端模型推理的输出依据与隐私边界，不能由“本地还是云端”单独决定，而要看输入范围、上下文使用、输出流向和留存规则是否形成闭环。值得继续观察的信号包括：设备端是否提供更细粒度的输入授权，输出是否附带可核验的依据说明，以及办公场景中是否出现把模型使用纳入数据管理的明确做法。这三者决定了便利与边界能否同时成立。