前言¶

用户向 API 发起请求时，通常无法确认回复是否真的来自服务商宣称的那套权重，还是路由层为降本替换的小模型，乃至被篡改的 token 流。只看输出质量不足以判断来源。可证明推理（provable inference，PI）的目标，是让算力有限、且拿不到权重的验证方，仍能检查某段回复是否由已承诺的模型产生。

2026 年 11 月 2 日，Anthropic Frontier Red Team 发布研究进展，并开源原型系统 FlashProve：用零知识 succinct 论证（zkSNARK）等密码学手段，在隐藏权重的前提下为推理结果附带可验证证明。同期放出技术报告、协议说明、可执行代码，以及 Lean 形式化陈述。下文按发布内容说明系统定位、性能数据、交付物与局限，并简要讨论对评测与合规场景的含义。

FlashProve 要解决什么¶

PI 的常见实现路径是 zero-knowledge succinct argument：服务商在回复之外提交一段体积可控的证明，验证方在 CPU 上快速校验；若回复与承诺模型不一致，校验应失败。权重不必暴露给验证方，否则 frontier 模型的商业与安全问题会阻碍落地。

Anthropic 在文中将 FlashProve 定位为「开源、偏性能的原型」，目的包括加速 PI 生态开发，并展示 zkSNARK 在大模型推理证明上是否具备实用吞吐。团队明确这是阶段性进展，不是已完成的研究议程，希望社区在此基础上改进。

性能与实验设置¶

技术摘要中的基准模型为 Llama 4 Maverick（400B 参数 mixture-of-experts），权重为 4-bit 量化，prefill 阶段使用整数算术。在该配置下，单张 H100 生成证明的速度约为 110 tokens/s；对 1,024 token 的请求，证明大小约 19 MB。

相对开销方面，同一篇文章给出：证明阶段的 GPU 时间约为在 vLLM 上运行同长度 prompt 的 约 70–95 倍。团队称 prior 开源 PI 系统慢几个数量级，并在正文第 6 节与既有工作对比；FlashProve 侧强调在密码学与安全文献中的成熟工具之上做了新的工程与优化组合。

需要区分的是：系统承诺隐藏模型权重，不以隐藏模型架构为目标。对模型做一次 commitment 后，针对每次推理输出生成证明。

形式化与开源交付¶

大模型辅助优化复杂系统时，安全主张不易人工审阅。Anthropic 为此在 Lean 中给出顶层可审计陈述，并附带 Lean 定理的可视化工具，便于核对声称的安全性质。

同日发布的五类产物包括：本篇研究博文；详细技术报告；协议规范文档；可执行代码（含 prover、C++ 快速 verifier、Lean 中可证明正确的 verifier）；以及顶层数学陈述的 Lean 证明。代码、Lean 证明与文档以 Apache 2.0 许可发布。

参与署名包括 Anthropic、EPFL、StarkWare、MIT、RESI、Succinct 等机构研究人员；Frontier Red Team 牵头对外发布。

应用场景与局限（据官方表述）¶

官方列举的动机包括：独立评测方在发布前后测试时需确认被测模型即被服务模型；经第三方路由付费的客户需要 token 来源完整性；以及遭受中间人篡改 token 流时的检测需求。PI 还被联系到 AI pacing、监管与合规工具链——证明本身不替代政策，但可为「是否按承诺模型运行」提供密码学层面的可审计材料。

局限在博文目录中单独成节（Limitations）。作为中间成果，证明成本仍是纯推理的数十倍量级，证明体积以 MB 计，部署与产品化路径尚未在文中展开为成熟服务。

对行业的客观影响¶

在模型路由、评测可信度与合规节奏争议持续的背景下，FlashProve 把「可验证推理」从概念推进到可下载、可运行的开源实现，并给出 frontier 规模模型上的 H100 吞吐数字。对评测机构、企业采购与监管审计而言，多了一种与「服务商口头承诺 + 黑盒 API」并列的技术选项；能否成为默认基础设施，取决于后续社区能否继续压低开销、缩小证明体积，以及是否与具体合规条款对接。

技术报告与代码入口见 Anthropic 研究页「Progress on provable inference for large language models」（发布日期 2026-11-02）。