呢套嘢係乜
Anthropic 前沿紅隊喺 11 月 2 日（台北時間）開源咗一個叫 FlashProve 嘅原型，授權係 Apache 2.0。簡單講，佢做嘅嘢係：先俾服務供應商對模型權重（weights）做一個「承諾」（commitment），之後再針對每一次輸入／輸出產出一個密碼學證明，證明呢段回應確係由嗰組已承諾嘅權重跑出來的。
呢個唔係 Anthropic 發明嘅新密碼原語。底層走嘅係加密貨幣生態部署咗多年嘅 zkSNARK 路線：先以互動式預言證明（IOP）描述計算正確性，再編譯成可公開驗證嘅 zkSNARK。官方明寫呢套系統已經出現喺以太坊生態嘅 L2 上，例如 Starknet、Mantle。換句話講，就係把「鏈下算、鏈上／端側驗」搬入模型服務。
點樣運作
離線階段，供應商對權重做 commitment（一個短指紋），檔約 6.5 MB，一次約 39 分鐘，可以撐約 1,600 萬次請求後先要重新 commit。線上階段，就對提示詞同輸出產出證明：「被承諾嘅模型，跑呢段輸入，得到呢啲 token。」任何人只要有 commitment、提示詞同回覆，就能喺普通 CPU 上驗證 —— 24 核約 17 秒，單執行緒約 21 秒，唔使 GPU、唔使權重檔案。
效能數字
評測用嘅係公開 4-bit 量化嘅 Llama 4 Maverick（約 400B MoE，每 token 啟用約 17B），跑喺單顆 80GB H100。結果：24 筆請求約 223 秒，摺合約 110 tokens／秒，每個證明約 18.78 MB（每 1,024 token 請求約 19 MB）。相對於同模型喺 vLLM 上嘅 GPU 時間，證明開銷約 70 至 95 倍。
對比先前針對同款模型公開嘅 zkML 系統（約 0.02 tok/s、證明動輒數十 GB），FlashProve 把速度推高咗成幾個數量級，把「證明 AI 推理」由論文級原型拉近實際可驗證計算嘅量級。
限制
官方同時指出，呢個仍係中途進度：快執行碼冇形式保證；證明嘅係整數模型加貪婪解碼，浮點或抽樣解碼可能對不齊；只藏權重、不藏架構；上下文上限約 1,024 tokens；採事後證明而非 inline。
作者名單橫跨 Anthropic、EPFL、StarkWare、Succinct 及 MIT 相關人員，反映 ZK 技術人才鏈同前沿 AI 推理稽核場景嘅結合。官方亦列出四類待解決挑戰：發展節奏與監管稽核、竄改偵測、文本來源可驗證、僅核准模型可上線。
模姐驗嚇貨
呢次係把「係咪呢個模型喺答你？」變成一個可以驗證嘅問題，唔再係靠品牌信任。但 70–95 倍開銷同 1,024 token 上下文上限，意思係呢啲原型距離真正掛上主網級 SLA 仲有距離。效能數字耀眼，唔等於明天就能商用量產。而「AI 回答可驗證」呢條路線，係咪真係會成商業標準、定係又一個研究展示，要等市場實際採用先有答案。
模姐｜深度調教
