A Anthropic divulgou o FlashProve, um protótipo de código aberto de inferência comprovável: um sistema que usa provas criptográficas para mostrar que uma resposta veio de um modelo específico, sem revelar os pesos dele. É pesquisa em andamento, e não um produto: nos testes, gerar a prova custa de 70 a 95 vezes o tempo de GPU de rodar o modelo, e os experimentos usaram o Llama 4 Maverick, e não o Claude.
O problema que o FlashProve tenta resolver
Quem usa um modelo por uma API ou por um serviço intermediário não tem como conferir que a resposta veio do modelo contratado, e não de outro, trocado por custo, ou de um fluxo de tokens adulterado por um atacante. A Anthropic cita casos em que essa garantia seria útil: avaliadores independentes que precisam saber se o modelo testado é o que está sendo servido, clientes de serviços de roteamento que querem confirmar o modelo pelo qual pagaram e a detecção de adulteração em servidores de inferência. A empresa também vê usos em regulação e auditoria.
Como funciona
O FlashProve usa um tipo de prova chamado zkSNARK. Em uma fase offline, o provedor publica um compromisso com os pesos do modelo, uma impressão digital curta que fixa uma escolha exata de pesos sem expô-los. Na fase online, para cada resposta, o provedor produz uma prova de que o modelo comprometido gera exatamente aqueles tokens. Quem tem o compromisso, o prompt e a resposta pode verificar, sem os pesos e com pouca capacidade de computação. A prova tem quatro propriedades: aceita se for honesta, não pode ser forjada, não revela nada sobre os pesos e é pequena e rápida de verificar.
Os números do protótipo
O teste foi feito no Llama 4 Maverick, um modelo de mistura de especialistas com 400 bilhões de parâmetros, em pesos de 4 bits, com uma única GPU H100.
- Geração de provas: cerca de 110 tokens por segundo, com prova de cerca de 19 MB por requisição de 1.024 tokens.
- Custo: de 70 a 95 vezes o tempo de GPU que o vLLM leva para processar prompts do mesmo tamanho.
- Verificação: segundos em uma CPU de 24 núcleos, sem GPU, com um compromisso de cerca de 6,5 MB baixado uma vez.
- Fase offline: cerca de 39 minutos por modelo, e o compromisso vale para cerca de 16 milhões de requisições.
A Anthropic diz que sistemas anteriores de código aberto são ordens de grandeza mais lentos e que o resultado indica uma sobrecarga de cerca de duas ordens de grandeza, bem menor que o esperado.
Verificação formal e o papel do Claude
A Anthropic conta que o Claude produziu melhorias nos zkSNARKs para inferência e que o texto da especificação do protocolo foi escrito pelo Claude. Como código criptográfico é frágil e o Claude toma decisões difíceis de avaliar em sistemas grandes, a empresa publicou enunciados de segurança auditáveis em Lean, uma linguagem de verificação formal, para completude, solidez e conhecimento zero. Há duas lacunas de confiança que o post reconhece: os enunciados formais precisam ser auditados manualmente, e o código executável precisa corresponder ao protocolo formal.
O que foi liberado
Cinco artefatos, todos em Apache 2.0: o post, um relatório técnico, a especificação do protocolo, o código executável (um provador e dois verificadores, um rápido em C++ e um comprovadamente correto em Lean) e as provas em Lean, com um visualizador interativo. A pesquisa conta com autores da Anthropic, da EPFL, do MIT e de outras instituições.
Limitações que a própria Anthropic aponta
- É um protótipo de pesquisa e um progresso intermediário, não uma agenda concluída.
- A prova vale para um modelo em aritmética inteira e decodificação gananciosa. Respostas de uma implementação em ponto flutuante ou com amostragem podem divergir.
- O sistema assume modelos de mistura de especialistas, e a arquitetura do modelo não é escondida.
- Ataques de canal lateral, como medir o tempo de geração da prova, estão fora do escopo.
- O contexto provado chega a 1.024 tokens, bem menos que os contextos de modelos de ponta.
- Não há garantia formal de que o código rápido, o artigo e a versão em Lean correspondam entre si.
Para quem é e para quem não é
O FlashProve interessa a pesquisadores de segurança e de criptografia, a laboratórios, a avaliadores independentes e a quem trabalha com auditoria e regulação de IA. Para o usuário comum e para quem só consome APIs, ainda não há nada para ativar: a Anthropic descreve o trabalho como progresso intermediário, e o custo atual de gerar provas é alto. O post também lembra que a meta pública da empresa era um protótipo de inferência comprovável até 30 de setembro de 2026, atendida por um projeto separado e relacionado, que assina o tráfego de inferência da Anthropic.
Perguntas frequentes
O que é o FlashProve?
Um protótipo de código aberto da Anthropic que usa zkSNARKs para provar que uma resposta foi gerada por um modelo específico, sem expor seus pesos.
Ele funciona com o Claude?
O post não diz isso. Os testes usaram o Llama 4 Maverick, com pesos públicos de 4 bits. O Claude participou da construção do sistema e da escrita da especificação.
Qual é o custo extra?
Cerca de 70 a 95 vezes o tempo de GPU de rodar o modelo no vLLM, segundo a Anthropic.
Posso usar no dia a dia?
Ainda não. É um protótipo de pesquisa, com contexto limitado a 1.024 tokens e outras restrições.
O código é aberto?
Sim, sob licença Apache 2.0, com código, provas em Lean e documentação.
Fonte: Anthropic
Análise Crítica
O FlashProve ataca uma lacuna real: hoje o usuário de uma API não tem como saber se recebeu o modelo contratado. A Anthropic mostra que provas criptográficas para um modelo de 400 bilhões de parâmetros são viáveis em uma única GPU, com sobrecarga de cerca de duas ordens de grandeza, muito abaixo de sistemas anteriores, e publica código e provas formais para auditoria. O próprio post, porém, trata o resultado como protótipo: o custo é alto, o contexto provado é de 1.024 tokens, a prova assume aritmética inteira e decodificação gananciosa, e há lacunas de confiança que exigem auditoria. Os números são medidos pela Anthropic em um único modelo aberto, sem replicação independente até agora.
A visão do canal Invente com IA
Se você trabalha com segurança, pesquisa ou avaliação de modelos, vale a pena ler o relatório técnico e rodar o código em um modelo de mistura de especialistas para ver os custos de perto. Para quem contrata modelos por intermediários, o recado prático é entender que hoje a confiança no modelo servido depende do provedor, e que ferramentas como esta podem mudar isso nos próximos anos, mas ainda não estão prontas para o dia a dia.
