摘要： Anthropic 於 2026 年 11 月 2 日發布 FlashProve，一個開源的「可證明推論」原型系統，用 zkSNARK 密碼學證明讓使用者能驗證回應確實出自指定的模型權重。對 400B 參數的 Llama 4 Maverick（4-bit 量化），單張 H100 能以約 110 tokens/秒產生證明，證明大小約每 1,024 個 token 19 MB。這代表「模型輸出無法驗證來源」這個產業基礎信任問題，第一次有了可實際運作的工程解法。
你其實不知道在跟哪個模型說話
今天你透過第三方路由服務呼叫某個模型，輸出看起來品質不錯，但無法確認背後跑的真的是你付費選的那一個——路由商可能為了省成本偷偷換模型，攻擊者也可能竄改 token 串流。單看輸出內容判斷並不可靠。Anthropic 的 Frontier Red Team 在這篇研究中指出，獨立評測機構、企業客戶、甚至公司內部安全團隊，都面對同一個問題：怎麼確認伺服器上實際運行的權重？
FlashProve 做了什麼
FlashProve 的核心是 zkSNARK：模型供應商對權重做出密碼學承諾，之後每個回應附帶一份簡短證明，使用者用普通 CPU 就能快速驗證，而證明本身不會洩漏權重內容（隱藏架構不是系統目標）。根據 Anthropic 的技術說明，Llama 4 Maverick 在 4-bit 量化下，證明產生速度約為 110 tokens/秒，GPU 時間約是直接用 vLLM 推理的 70–95 倍。先前開源系統慢上幾個數量級，所以這是實用性上的跳躍，但離「免費午餐」還很遠。
另外值得注意：團隊用 Lean 形式化驗證語言對核心安全聲明提供了可審計的證明。這是因為 Claude 在做大規模系統優化時，決策往往難以人工評估，形式化證明是補上信任缺口的方式。
對產品團隊的實際意義
這項技術的直接應用場景有三類。第一是合規與監管：監管者可以要求供應商提交證明，確認硬體確實在服務指定模型，而不需要接觸機密權重——不過 Anthropic 也明言，這只能驗證「在跑推論」，無法排除同時偷跑訓練。第二是竄改偵測：公司內部可以要求每個回應都附帶有效證明，被入侵的伺服器無法偽造。第三是工作成果的來源驗證，例如「這份程式碼庫確實經過某前沿模型掃描」這類聲明。
推論成本一直是 AI 產品的核心工程問題，我們先前談過把推論從黑盒子拉回可調參數的運維思維（見這篇 SageMaker Inference 更新分析）。FlashProve 把另一個維度——輸出的可驗證性——也變成可配置的工程選項，代價是 70–95 倍的 GPU 時間。短期內多數產品負擔不起，但對合規敏感、高信任需求的場景（金融、醫療、政府採購），這條成本曲線值得持續追蹤。
現階段的限制
Anthropic 明確定位這是中間進度，不是完成的研究議程，並以 Apache 2.0 釋出程式碼、Lean 證明與協定描述，公開邀請社群接手改進。真正的瓶頸在開銷：每 1,024 個 token 約 19 MB 的證明、近兩個數量級的 GPU 額外時間，在消費級產品上仍不現實。對實務者來說，現在合理的動作是讀技術報告、跑一下他們的驗證器，理解這套機制能在自己的供應鏈裡補哪個缺口——等成本曲線降下來時，你已經知道怎麼用。
參考來源
在 X 上查看原貼文