Anthropic 的 FlashProve 將模型身分轉化為可驗證運算
新聞摘要
Anthropic 於 2026 年 11 月 2 日發布 FlashProve，作為一個開源研究原型，用於證明某個特定模型產生了給定的 AI 回應。該專案針對一個日益嚴重的驗證問題：客戶與稽核人員通常無法僅憑文字判斷提供商是否真的提供了它所指名的模型。Anthropic 的基準測試顯示，密碼學驗證如今已能應用於超大規模模型，但龐大的證明開銷與原型限制，使得實際部署的問題仍未解決。
FlashProve 設計用來證明什麼
該系統採用零知識簡潔非互動式知識論證，即 zkSNARK。在最初的離線步驟中，提供商會發布一份針對特定模型權重集合的緊湊承諾——一種密碼學指紋——同時將這些權重保密。之後針對推論請求，它可以產生一份證明，斷言已承諾的模型針對所提供的提示詞，生成了所提供的輸出 token。驗證者無需持有權重或重新執行模型，即可檢查該主張。
這更接近於一張經簽署的運算收據，而非判斷答案是否正確或有用的方法。有效的證明會將回應與已承諾的權重及特定運算綁定，但無法確立答案為真、模型行為安全，或提供商的模型選擇是否恰當。此方法以軟體為基礎，不依賴可信硬體。
基準測試與工程取捨
Anthropic 使用公開可得的 4 位元權重，以 Llama 4 Maverick（一個 4000 億參數的混合專家模型）測試 FlashProve。在一台配備一張 NVIDIA H100 GPU 與 24 個 CPU 核心的伺服器上，證明器以約每秒 110 個 token 的速度處理一批 24 個請求；每份證明約為 18.78 MB。驗證在 CPU 上執行，使用 24 個執行緒需 17 秒，單一執行緒則需 21 秒。Anthropic 將此與 vLLM 處理相同工作負載的結果相比，並報告證明過程在每張 GPU 上所需時間約為 72 倍，在最高測試負載下則升至約 94 倍。這些是該公司自行回報的原型測量數據，並非第三方稽核或已部署服務的基準測試。
該系統是在回應產生之後才證明請求，而非與生成過程同步進行。這讓證明流程更簡單，但增加了延遲與運算量：提供商必須重新計算或處理已完成的回應，才能產生憑證。目前的展示涵蓋最多 1,024 個 token 的上下文，並使用一個以貪婪解碼運行的量化整數模型。若取樣或浮點數輸出偏離了被證明的精確運算，系統並不會自動為該輸出提供認證。
為何模型來源很重要
Anthropic 描述了幾種可能的用途：客戶可以檢查第三方路由服務是否提供了他們所選的模型；評測人員可以驗證模型測試是否使用了預期版本；組織則可佐證某個特定模型確實審查過程式碼或執行過其他影響重大任務的主張。同一機制也可協助監督提供商承諾執行哪些模型。它還能讓模型替換更容易被察覺，無論其動機是服務成本、評測主張，還是推論服務遭到入侵。
這些是提議中的用途，並非目前對客戶的保證。只有在模型承諾已發布並被信任為參考依據，且證明器、驗證器及周邊服務正確整合的情況下，證明才有意義。指紋能將一組權重明確固定下來，但它本身並非對這些權重的公開背書或安全評估。
這次發布包含什麼——以及哪些問題仍未解決
Anthropic 於 11 月 2 日發布的研究文章包含技術報告、協定規格、可執行的證明器、C++ 驗證器、Lean 驗證器，以及針對頂層安全屬性、可由機器檢查的 Lean 陳述。該公司表示，程式碼、證明與文件皆以 Apache 2.0 授權發布。GitHub 儲存庫將 FlashProve 標示為研究原型，並說明它並未獲得維護。Anthropic 將這項工作定位為階段性進展，並邀請外部研究者檢視與改進；該公司表示，目前沒有在 Anthropic 或其他實驗室部署此系統的計畫。
該研究文章也列出了重要限制。證明會隱藏模型權重，但不隱藏架構。形式化保證僅適用於特定的數學陳述，而 Anthropic 指出，稽核人員仍需檢查這些陳述是否符合他們預期的主張，以及可執行程式碼是否確實實作了形式化協定。快速的 C++ 驗證器不具備與 Lean 驗證器相同的形式化保證。其他未解決的問題包括：可能透過執行時間洩漏資訊、擴展至更長的上下文，以及將支援範圍擴及受測混合專家模型與精確解碼設定之外。
交叉查證與意義
TechCrunch 於 2026 年 11 月 3 日的報導將 FlashProve 描述為一套證明哪個模型產生輸出的系統，並凸顯了提供商在用戶不知情的情況下更換模型的潛在風險。Anthropic 的主要研究文章及其發布的技術資料支持這一核心描述，同時補充了一項關鍵限定：這是一個具有可測量但顯著開銷的開放研究原型，而非可實際運作的身分功能。儲存庫與報告為獨立的技術審視提供了起點，但已發布的效能主張與安全假設，仍需在實際部署環境中接受外部評估。
更廣泛的啟示在於，AI 來源問題可以表述為一個可驗證運算問題。密碼學證明可讓用戶檢查一個範圍有限的主張——「這些 token 是在這項運算下由這些已承諾權重產生的」——而無須揭露專有權重。這可作為模型卡、服務日誌與獨立評測的補充，但無法取代它們。下一階段的里程碑是實務整合、更低的證明成本、更長上下文的支援，以及對安全模型與實作的獨立審查。
資料來源
本文由 AIBARS 編輯部在 AI 輔助下整理。AI 可能出錯，重要資訊請以原始來源為準。發現錯誤？請來信 [email protected]。