Anthropic lança o FlashProve, protótipo de código aberto para comprovar qual modelo gerou uma resposta
Em 2 de novembro, a Anthropic publicou o FlashProve, um protótipo sob licença Apache 2.0 que gera provas criptográficas (zkSNARK) atestando que uma resposta de fato veio de determinado modelo, sem revelar seus pesos. Testado no Llama 4 Maverick, ele ainda é de 70 a 95 vezes mais custoso que a inferência normal.
A Anthropic lançou em 2 de novembro de 2026 o FlashProve, um protótipo de código aberto que responde a uma pergunta aparentemente simples: ao consultar um modelo de IA, como ter certeza de que foi realmente ele quem respondeu? O sistema gera, para cada resposta, uma prova criptográfica de que ela provém de um modelo específico, sem expor seus pesos. Código, provas formais e relatório técnico foram publicados sob a licença Apache 2.0.
O problema: não sabemos qual modelo está respondendo
Hoje, um usuário não tem como verificar se a resposta vem do modelo anunciado. A Anthropic cita vários casos: um serviço de roteamento que substituiria discretamente um modelo caro por outro mais barato, um invasor que alteraria o fluxo de tokens em um servidor comprometido ou um avaliador independente que precisa garantir que o modelo testado é exatamente o que está sendo disponibilizado. O artigo também menciona usos regulatórios: provar a um órgão regulador que um provedor serve apenas modelos aprovados ou que seu hardware realmente está executando inferência.
Como o FlashProve funciona
O princípio opera em duas etapas. Primeiro, o provedor publica um compromisso (commitment) sobre seus pesos, uma pequena impressão digital que fixa um conjunto exato de pesos sem revelá-lo. Depois, para uma dada requisição, ele gera uma prova de que “o modelo registrado gerou estes tokens de saída”. Qualquer pessoa que tenha o compromisso, o prompt e a resposta pode verificá-la, sem precisar dos pesos nem de equipamentos robustos.
A técnica utilizada é um zkSNARK, uma família de provas de conhecimento zero já adotada em algumas blockchains. A prova não revela os pesos, os cálculos intermediários nem os especialistas ativados em cada camada. Por outro lado, a arquitetura do modelo não fica oculta.
Os números divulgados
| Métrica (Llama 4 Maverick, 400 bi de parâmetros, 4 bits) | Valor publicado pela Anthropic |
|---|---|
| Velocidade de geração de provas (1 GPU H100) | cerca de 110 tokens/s |
| Tamanho da prova (requisição de 1.024 tokens) | cerca de 19 MB |
| Verificação em processador (24 threads de execução) | cerca de 17 s |
| Custo adicional em relação ao vLLM | cerca de 70 a 95 vezes o tempo de GPU |
A Anthropic compara esses resultados com iniciativas anteriores: segundo sua publicação, a única prova prévia desse mesmo modelo conhecida pela empresa, o VerInf, exigia 14,3 horas para 1.000 tokens, gerando uma prova de 93,6 GB. O sistema aproveita a estrutura em mistura de especialistas: o trabalho de prova é proporcional aos cerca de 17 bilhões de parâmetros ativos por token, e não aos 400 bilhões totais.
Claude como coautor, Lean como garantia
A Anthropic relata que o Claude gerou melhorias nos zkSNARKs voltados à inferência. Para compensar escolhas de otimização difíceis de avaliar em um sistema complexo, as propriedades de segurança (completude, robustez, conhecimento zero) foram enunciadas e provadas em Lean, uma linguagem de verificação formal. O repositório inclui um verificador rápido em C++ e um verificador mais lento, porém provado matematicamente, em Lean.
Os limites reconhecidos
A Anthropic apresenta o FlashProve como um protótipo de pesquisa, e o repositório no GitHub se descreve como “sem manutenção”. Os limites apontados são claros: contexto restrito a 1.024 tokens, prova aplicada a uma versão do modelo em aritmética de inteiros em decodificação gananciosa (uma resposta com amostragem ou calculada em ponto flutuante pode divergir), arquitetura visível, ataques por canais laterais fora do escopo e nenhuma garantia formal de que o código rápido corresponde exatamente ao protocolo provado em Lean. O texto também lembra que a Anthropic já havia atingido seu objetivo de protótipo de verificação de inferência por outro método, que assina o tráfego e recalcula a inferência em um servidor confiável.
Nossa leitura
O FlashProve não muda nada para o usuário do Claude hoje: ele foi demonstrado em um modelo aberto da Meta, com um contexto muito curto e um custo adicional de cerca de duas ordens de grandeza. Seu valor está em outro lugar. Ele mostra que comprovar criptograficamente que uma resposta veio de um modelo de 400 bilhões de parâmetros tornou-se viável em uma única GPU, sem exigir horas de processamento por resposta. Trata-se de uma base para questões bastante práticas: a confiança em revendedores de API que possam trocar um modelo por outro, a segurança dos servidores de inferência e, a longo prazo, o controle regulatório dos modelos disponibilizados. Resta ver se outros laboratórios adotarão a abordagem e se os provedores aceitarão publicar compromissos formais sobre seus pesos.
Fontes
- Anthropic — Progress on provable inference for large language models (2 de novembro de 2026) Fonte primária
- GitHub — anthropics/FlashProve (código, provas Lean, licença Apache 2.0) Fonte primária
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.
