2026 年 11 月 2 日,Anthropic 发布 FlashProve,尝试用密码学证明把模型输出绑定到预先承诺的权重,同时不公开权重。它提出了一个很实际的问题:我们通过接口购买模型能力时,除了相信服务商的模型名称,还能核验什么?这是研究原型,不能据此认为 Claude 的普通聊天接口已经向用户提供这类证明。官方发布说明
我的判断是,可验证推理值得优先进入供应链审计和模型评测的试验环境,但距离普遍接入业务还有明显距离。决定价值的因素包括证明覆盖的计算关系、可信模型承诺的来源,以及发现问题后能否采取行动。只盯住证明速度,很容易把一个局部保证扩大成整套服务的质量承诺。
本文依据截至 11 月 9 日可读取的官方文章、技术报告和代码仓库分析,没有运行 FlashProve,也没有复现官方性能数据。文中的业务场景、抽样算例与验收建议均为分析,不是厂商已实现的功能。
一、先写出要证明的句子
理解这项技术,可以先设想一个采购场景。企业约定使用模型甲,供应商交回回答乙。企业真正想核验的命题应足够具体:在事先固定的模型权重、输入和计算规则下,乙是否满足约定的输出关系?
这里至少有三个对象。权重决定模型是什么,输入决定它看到了什么,计算规则决定什么样的输出可以被接受。如果合同只写模型商品名,实际核验时却允许换权重、改输入或放宽输出条件,那么一份数学上有效的证明也可能没有回答采购方的问题。
FlashProve 的基本流程是先承诺权重,再生成证明,最后由验证方检查。官方仓库特别要求,真实验证所用的承诺 ID 应来自用户信任的一方,不能直接取自正在被检查的服务器。仓库说明
这个要求揭示了模型身份的根本边界。假如商家自己制作一个承诺,再自己宣布它代表旗舰模型,证明只能约束它今后的计算与这个承诺一致。要把承诺对应到已评测的那个版本,还需要可信登记、版本发布记录和撤销机制。密码学能减少某种信任,却不会自动替企业建立采购目录。
同样,证明应被理解为计算关系成立的证据。尤其在事后重算的方案里,它不自动记录回答首次生成时的全部历史。某段文本与指定模型相容,不足以单独证明供应商没有先用另一套系统生成候选答案,也不足以证明某台机器只做过这项工作。若业务关心时间、先后顺序或算力用途,就必须另行约束这些事实。
二、一份证明能缩小哪些争议
考虑一个企业采购问答服务的例子。最近答复质量下降,排查可能遇到四种解释:换了模型、检索资料过时、系统提示改变,或者任务本身比以前更难。仅凭几段“感觉不像原来的模型”的回答,很难区分它们。
若模型承诺可信、输入记录完整、证明关系明确,可验证推理可以帮助排除或确认其中一类解释。排查人员因此能更快把注意力转向资料、提示或任务分布。它的价值来自缩小故障范围,而不是给每条答案贴一个“正确”的标签。
设想模型看到一份把交付日期写错的合同摘要,然后按要求输出错误日期。即使每一步推理计算都符合承诺,事实依然错了。再设想模型确实扫描了代码,却漏掉依赖组件中的漏洞。证明执行了指定计算,也不会增加它没有获得的上下文,更不会使有限的搜索覆盖全部缺陷。
还有一种更微妙的情况:供应商交付了有效证明,但证明中的输入不是用户实际提交的输入。系统提示、检索片段、工具返回和对话历史中,只要有一项没有被纳入业务验收,双方就可能在不同的问题上获得各自正确的结论。因此,我会把“核对证明命题”放在“看见验证通过”之前。
对代理应用,这种分层尤其重要。模型文本、工具调用请求、外部服务回执和最终业务状态,是不同证据。证明某段文字符合模型计算,不能替代支付系统的实际扣款状态,也不能证明写入数据库的记录没有被另一进程覆盖。把它接入代理审计时,应保留这些证据之间的关联,而不是把一个通过标志沿整条链路传播。
三、110 tokens/s 的分母比数字本身重要
技术报告的主实验使用 Llama 4 Maverick 的公开四位量化权重及其整数计算版本,在单张 H100 上处理 1,024 token 窗口。报告说明,主实验每份证明检查提示后一个 token 是否为模型的贪心选择;24 个请求约耗时 223 秒。约 110 tokens/s 的计数包含处理过的上下文位置。技术报告第 6 节
直接复算,24 × 1,024 ÷ 223 约等于 110。这个数字描述证明端处理输入的吞吐,不代表面向用户每秒生成 110 个新 token,也不代表每秒完成 110 个独立请求的验证。吞吐统计和单个请求要等待多久,本来就是两个问题。
这会影响系统设计。批量处理可以让设备更忙,但排队中的用户不会因为平均吞吐提高就自动更早获得证明。若应用要求先拿到证明再执行操作,那么排队、证明、传输和验证的时间都会进入关键路径。若允许先使用答案、之后补证,则必须接受一段尚未核验的暴露时间。
官方性能文档进一步区分了稳定吞吐、启动、承诺生成和服务端检查,且明确原始运行记录未随仓库提供。它也报告了完整回复检查实验,但其条件不能与主实验的单个数字混用。性能说明
因此,合理的试点问题应是:“在我们的输入长度、批量大小和证明要求下,多久能给出可用结论?”如果采购材料只给 tokens/s,却不说明统计了哪些位置、证明检查了什么、是否包含验证成本,就还不足以支持容量规划。
四、和旧办法相比,改变的是哪一层信任
最便宜的办法往往是服务商签署日志。签名可以帮助确认日志来自某个签名者、内容没有被后来篡改。但如果签名者本身误报了模型,日志真实性与计算真实性就分开了。密码学推理证明试图进一步约束计算关系,因此有不同的用途。
另一种办法是独立重跑。对于能合法获取权重、承担算力费用并控制计算环境的组织,重跑直观而有用。困难在于闭源权重不可得、计算资源昂贵,以及数值实现和采样规则可能造成差异。即使拿到了两个不同答案,也仍需判断差异来自正常随机性还是服务偏离约定。
可信硬件的远程证明则把部分信任放在硬件、固件和测量链上。它可以服务于环境核验;软件密码学证明服务于特定计算关系。选择哪一种,应从威胁模型出发:担心日志撒谎、主机被侵入、权重被替换和输入被改写,是不同的问题。混合使用可能有意义,但叠加工具也会增加配置与运维责任。
此前的 zkLLM 研究已经尝试对大语言模型进行零知识验证,其论文报告了对 130 亿参数模型在十五分钟以内生成证明、证明小于 200 kB 的结果。zkLLM 论文
这里不宜把两个项目的 headline 数字相除,得出统一的提速倍数。模型结构、输入规模、验证命题和硬件不同,比较结果就可能变化。更有价值的比较是列出相同业务需求,再看各方案需要谁被信任、暴露什么信息、花费多少资源,以及遇到失败能否定位原因。
五、抽检能降低成本,但要说清保证强度
官方报告以 FP8 模型的 vLLM 预填充为参照,给出了证明端约 70 至 95 倍 GPU 时间的比较。这是特定实验口径,不能直接解释为所有在线请求的账单都会增加同样倍数。实验比较
即便如此,全量证明与抽检仍是两种不同的经济选择。下面做一个独立的抽样算例。假设在一个很大的待检位置总体中,有比例 p 的位置违反事先固定的计算关系;审计方独立随机抽取 n 次,且抽样计划不会被服务方提前针对。那么至少发现一次违规的概率为 1 − (1 − p) 的 n 次方。
当违规比例为 1%,抽取 300 次,发现概率约为 95.10%。如果违规比例降到 0.1%,同样 300 次的发现概率只有约 25.93%;要达到约 95%,需接近 2,995 次。这些数字是概率计算,不是对 FlashProve 检测效果的实测。
这个算例说明,降低抽样率节省预算的同时,也会改变能发现的问题。若坏行为只集中在特定客户、夜间流量或高价值任务里,对全站平均抽样可能覆盖不足。应事先定义审计总体,对关键场景分层,限制服务商预测抽样的能力,并把“没有按期交付证明”作为独立结果记录。
证明文件也不是免费搬运的。官方性能说明给出的平均证明大小约为 18.78 MB。仅作数量级推演,若每天保存一千份同等大小的证明,原始文件约为 18.78 GB,尚未计入输入记录、副本和索引;实际业务的文件大小需要重新测量。证明大小口径
因此,试点预算至少要分为计算、验证、存储传输和异常处理四项。尤其不要漏掉最后一项:谁来判断失败是网络中断、程序不兼容、配置差异还是确有违规?若每次失败都要投入大量人工,系统便可能出现“机器证明很严格,运营却只能忽略报警”的尴尬局面。
六、形式化证明需要准确的适用范围
FlashProve 的 Lean 文档明确区分了被证明的协议与常用 C++ 验证器。后者并没有因前者存在定理,就自动获得同样的形式化保证;两者的一致性仍依赖相应实现检查和测试。形式化范围说明
这项区别直接影响工程验收。集成团队通常接触的是二进制程序、配置文件、序列化数据和网络接口,而定理约束的是被精确定义的对象。解析器把字段读错、上游关联错请求、界面遗漏重要条件,都可能让用户看见一个与其真实任务无关的通过标志。
另一个成本来自长期维护。当前仓库将自身定位为不维护的研究产物。因此,企业若要采用,必须自行回答谁负责依赖更新、运行环境验证和缺陷处置,不能把开源代码存在视为持续服务承诺。仓库状态
我的建议是把数学保证、实现保证和运维保证分别列出负责人及验证证据。研究原型可以在第一层带来重要进展,同时在后两层仍有大量工作。这种拆分有助于正确投资,而不必在“完全可信”和“毫无价值”之间二选一。
七、一个有明确退出条件的试点
如果团队要探索这一方向,我会先选可延迟验收、可撤回结果、模型版本稳定的一小类任务。例如,在内部离线评测中核验预定模型与保留输入的计算关系。暂不把证明到达前就已产生不可逆后果的流程作为起点。
试点应产出一份清楚的验收约定,至少包括以下内容:
- 模型承诺从哪里取得,谁确认它对应已批准版本,版本变化怎样通知。
- 输入如何保存和核对,哪些系统提示、历史与工具内容属于验收范围。
- 证明检查哪些位置,使用什么接受规则,哪些部分明确不在覆盖范围。
- 证明最迟何时到达,过期、缺失和拒绝各自触发什么处理。
- 每个成功验收样本的总成本,以及正常请求误报或无法验收的比例。
试验中还应故意改变一个输出位置、拿错输入、使用另一版本的承诺,确认系统能给出预期结果。这里验证的是集成是否把正确对象送进验证器,不等于证明密码学系统已经抵抗所有攻击。两类测试应分别记录,避免把接口冒烟测试写成安全审计结论。
尤其应设置退出条件。如果固定任务仍需要大规模手工对账,证明延迟超过结果可撤回的窗口,或为兼容现有服务而放宽接受规则后已经无法覆盖原始风险,就应暂停接入。反过来,若它显著降低了供应商争议的调查成本,即使暂时只覆盖少量高价值样本,也可能值得继续。
八、哪些新证据会改变判断
我会在三类证据出现后提高对生产应用的预期。第一,独立团队能在公开条件下复现性能和拒绝行为,且把完整服务路径的成本测清楚。第二,模型承诺、输入记录和业务验收形成稳定接口,普通集成不再依赖大量手工检查。第三,较长上下文和实际解码方式能够被覆盖,而不必为证明系统把应用改造成过窄的实验任务。
相反,如果新进展只提高预填充吞吐,却没有降低单次验收的等待时间、维护负担和误判处理成本,我不会据此建议扩大部署。
FlashProve 最值得关注的地方,是把“服务方说自己用了什么模型”推进为一个可以被明确描述并核验的问题。接下来真正困难的工作,是让这个问题与合同、评测和用户实际关心的结果对齐。先明确要保证什么,再衡量证明是否划算,才能让可验证推理成为有用的基础设施。
评论
暂无评论。