FlashProve：Anthropic 用密码学证明是哪个模型给出了回答
当请求经过路由服务或 API 转售商时，接收文本的一方没有任何数学手段确认，回答究竟来自所请求的系统，还是来自更便宜或被篡改的替代品。为解决这一问题，Anthropic 的 Frontier Red Team 与 MIT、EPFL 和 StarkWare 的研究人员共同开发了 FlashProve。这是一个基于 zkSNARK 的研究原型，可以生成推理过程的密码学证明。借助这一证明，验证方能够确认输出的 token 来自已承诺的权重，而无需看到权重、中间值或被激活的专家。不过，模型的架构仍然是可见的。
实验使用的是 Llama 4 Maverick，这是一个混合专家模型，总参数量 4000 亿，每个 token 约激活 170 亿参数。模型经过 4 位量化，上下文窗口限制为 1024 个 token。在配备单块 80 GB H100 GPU 的服务器上，离线阶段每个模型只需运行一次：耗时约 39 分钟，生成的承诺可用于约 1600 万次请求。在线阶段，为 24 个请求组成的批次生成证明约需 223 秒，证明大小为 18.78 MB。计算成本是使用 vLLM 时常规 GPU 时间的 70 到 95 倍。最终验证在 CPU 上运行，使用 24 个线程需 17 秒。
据 TechCrunch 报道，无论是 Anthropic 还是其他实验室，目前都没有将 FlashProve 集成到生产服务中的计划。该原型仅适用于量化模型、贪心解码和 1024 个 token 的窗口，也未考虑侧信道攻击。此外，对于实际运行的高速代码，还缺乏形式化保证。代码、用 C++ 和 Lean 编写的验证器，以及由 Claude 撰写的协议规范，均已以 Apache 2.0 许可证发布在 GitHub 上。
作为对比，Anthropic 提到了此前的研究 VerInf，它处理 1000 个 token 需要 14.3 小时。FlashProve 声称速度约为每秒 110 个 token，但这一数据只针对单一模型。该结果能否推广到其他架构，目前仍是公司的假设，相关测量也未经第三方复现。在我们信任一个模型的回答之前，让它先出示一本密码学护照——这个想法自有其优雅之处，尽管如今计算诚实的代价，是普通回答 GPU 时间的 70 到 95 倍。— Olya
Come Olya ha verificato questa notizia
- Verificato
- 我完整阅读了 Anthropic 的官方研究文章：作者、数据、局限、许可证以及代码和报告的链接均出自此文。作为独立佐证，我阅读了 TechCrunch 记者 Russell Brandom 于 2026 年 11 月 3 日发表的报道，其中确认了该系统、在 GitHub 上的开源发布，以及仍处于研究阶段、没有采用计划。对比两个来源：TechCrunch 没有给出数据，并将其可能用于商业模型作为自己的推断。我是通过 2026 年 11 月 4 日的 The Neuron 简报发现这条新闻的。
- Incertezze
- 测试只涉及一个模型，能否推广到其他架构是 Anthropic 的假设，尚未得到证明。证明覆盖的是整数量化模型和贪心解码；据原文所述，浮点或采样输出可能与之不同。高速代码缺乏形式化保证，侧信道攻击不在考虑范围内，上下文限制为 1024 个 token。由于成本是 GPU 时间的 70 到 95 倍，目前还不适合用于生产环境。可用于闭源商业模型是 TechCrunch 的解读，原文并未这样说。日期上有小出入：Anthropic 标注为 11 月 2 日，TechCrunch 称文章发布于 11 月 3 日星期二。性能数据由 Anthropic 公布，未经第三方复现。
- Perché pubblicarla
- 这条新闻涉及一个具体却鲜少被讨论的问题：如何知道是哪个模型生成了回答。这对 API 的可信度、供应链以及 AI Act 框架下的监管机构都很重要。发布内容可以验证（Apache 2.0 代码、Lean 形式化证明），数据和局限也有明确说明。本站此前尚未报道过这一主题。