El 2 de noviembre de 2026, Anthropic publicó FlashProve, un prototipo de investigación de código abierto que busca comprobar si determinados tokens de una respuesta corresponden a un modelo fijado mediante un compromiso criptográfico de sus pesos. La prueba se refiere a la procedencia de esos tokens bajo un cálculo concreto; no certifica que la respuesta sea correcta ni que el modelo sea seguro. Anthropic describe el sistema y sus resultados.
Qué comprueba FlashProve
Un compromiso criptográfico fija una selección concreta de pesos sin revelarlos. Después, quien genera la respuesta puede producir una prueba para que un verificador compruebe la relación entre ese modelo comprometido, la instrucción de entrada y los tokens presentados. FlashProve emplea zkSNARK, una familia de pruebas criptográficas sucintas de conocimiento cero: permiten verificar una afirmación sin exponer los pesos ni determinados datos intermedios del cálculo.
La arquitectura del modelo sí queda visible. Anthropic plantea el sistema para comprobar la identidad del modelo y la integridad de tokens seleccionados, no para evaluar la calidad de una respuesta. La afirmación descrita tampoco equivale a certificar cualquier ajuste del servicio: se refiere a una versión entera del modelo con decodificación greedy, que elige en cada paso el token de mayor puntuación.
Qué rendimiento comunicó Anthropic
La evaluación usó Llama 4 Maverick, un modelo de mezcla de expertos de 400.000 millones de parámetros, con unos 17.000 millones activos por token. Anthropic utilizó una conversión pública de terceros a 4 bits. En una prueba con un lote de 24 solicitudes, un H100 y 24 núcleos de CPU tardaron unos 223 segundos en generar pruebas. La empresa comunicó un rendimiento de aproximadamente 110 tokens por segundo y un tamaño de 18,78 MB por prueba; cada prueba verificaba un token.
La verificación se ejecutó en CPU: Anthropic comunicó 17 segundos con 24 hilos y 21 segundos con un hilo. El cliente descargaba un compromiso del modelo de unos 6,5 MB. Antes de procesar solicitudes, la preparación del compromiso llevaba unos 39 minutos por modelo; Anthropic indicó que servía para aproximadamente 16 millones de solicitudes antes de renovarlo.
La comparación con vLLM mide otro aspecto del coste. Anthropic enfrentó la generación de pruebas para el mismo lote de 24 solicitudes con el procesamiento de ese lote mediante vLLM, usando la versión FP8 de Llama 4 Maverick en ocho H100. Informó de unas 72 veces más tiempo de GPU por GPU para FlashProve, con un rango de 66 a 77 veces entre ejecuciones, y de cerca de 94 veces con la carga máxima de vLLM evaluada. Son cifras de esa comparación, no una medida universal del rendimiento de la inferencia.
Qué queda fuera de la prueba
FlashProve genera pruebas después de producir el texto, por lotes, y para una parte de los tokens, en lugar de acompañar cada token mientras se genera. Anthropic señala que este diseño añade recomputación y demora la garantía. En la evaluación descrita, el contexto tenía un máximo de 1.024 tokens. El resultado probado corresponde al cálculo entero con decodificación greedy; una salida basada en aritmética de coma flotante o decodificación por muestreo puede diferir de ese cálculo.
La descripción publicada tampoco presenta la prueba como una certificación general de parámetros de servicio, como la temperatura o el esfuerzo de búsqueda. La afirmación se limita a la salida del modelo comprometido bajo el cálculo especificado.
Anthropic formalizó en Lean, un asistente para demostrar teoremas, afirmaciones de alto nivel sobre completitud, solidez y conocimiento cero. Pero la empresa advierte que no existe una garantía formal de que el protocolo Lean, el artículo técnico y el código ejecutable rápido coincidan. El verificador en C++ es la opción rápida; Anthropic dijo que coincidió con el verificador Lean en todas las pruebas que realizó.
Qué publicó Anthropic
La publicación incluye un generador de pruebas, verificadores en C++ y Lean, la especificación del protocolo, demostraciones formales en Lean y un visualizador interactivo de teoremas. Anthropic indicó que el código, las pruebas Lean y la documentación se publicaron bajo la licencia Apache 2.0. Los pesos de Llama 4 Maverick no forman parte de esa publicación.
