Notícias de IA · 13 min de leitura

Seu roteador de API trocou o modelo? O que o FlashProve da Anthropic pode provar

O FlashProve da Anthropic usa provas de conhecimento zero para mostrar qual modelo respondeu. Entenda o que ele prova, seus limites e o impacto nos roteadores.

Ilustração de um modelo de IA enviando uma resposta por um roteador, com um escudo de verificação brilhante sobre o fluxo de dados

O FlashProve é o protótipo de pesquisa de código aberto da Anthropic para inferência comprovável. Ele permite que um provedor de modelos gere uma prova criptográfica de que uma resposta veio de um conjunto específico de pesos fixado por um compromisso, sem revelar esses pesos. Lançado em novembro de 2026 e demonstrado no Llama 4 Maverick da Meta, ele ainda não pode ser ativado para o tráfego da API Claude ou para roteadores de terceiros.

Um roteador de API pode trocar seu modelo secretamente?

Sim. Um serviço de roteamento terceirizado ou revendedor pode substituir o modelo por outro mais barato ou menor nos bastidores, e você não consegue detectar a troca de forma confiável apenas lendo as respostas.

Ao consultar uma comparação de preços oficiais de APIs de IA, fica evidente o apelo dos roteadores de API com desconto e dos endpoints de proxy revendidos. Modelos de fronteira são caros em alto volume, e um intermediário que promete o mesmo ID de modelo com grande desconto é tentador para qualquer desenvolvedor ou líder de equipe atento à conta mensal.

O problema é que o campo model de uma resposta de API é apenas uma string devolvida pelo servidor. Em sua publicação de pesquisa de 2 de novembro de 2026, o Frontier Red Team da Anthropic expôs o problema claramente: uma pessoa que consulta um modelo hoje não consegue verificar se as respostas vieram do modelo específico que o desenvolvedor afirma estar respondendo, em vez de outro “substituído secretamente por um serviço de roteamento por motivos de custo, ou mesmo por um invasor que tenha adulterado o fluxo de tokens”. O relatório técnico da Anthropic acrescenta que um provedor pode usar um modelo menor ou mais fraco, ou até trocar de modelo entre solicitações.

Muitos desenvolvedores presumem que perceberiam uma redução de qualidade pela impressão geral ou testando prompts por amostragem. A Anthropic alerta explicitamente que julgar apenas pela saída de um modelo não é confiável, mesmo quando as respostas parecem ter alta qualidade. Modelos menores e variantes quantizadas muitas vezes lidam com prompts rotineiros bem o suficiente para passar por uma inspeção superficial, mas falham em casos extremos mais difíceis, percebidos apenas em produção.

O que é o FlashProve?

O FlashProve é um sistema criptográfico exclusivamente de software que usa um argumento de conhecimento sucinto de conhecimento zero (zkSNARK) para provar que um modelo específico, fixado por um compromisso, produziu uma determinada sequência de tokens de saída.

Em vez de depender de enclaves de hardware confiáveis, que a Anthropic considera complementares à criptografia, o FlashProve se baseia em matemática. O processo envolve duas partes, o provedor do modelo (o provador) e o usuário (o verificador), e funciona em três etapas:

  1. Commit (offline): Antes de atender às solicitações, o provedor calcula e publica um compromisso criptográfico com os pesos do modelo. Você pode imaginá-lo como uma impressão digital curta e infalsificável que fixa um conjunto exato de pesos, mantendo os próprios pesos em segredo.
  2. Prove (online, a posteriori): Depois de gerar os tokens de saída para um prompt, o provedor executa o provador para gerar um arquivo de prova que mostra que avaliar o modelo comprometido com aquele prompt produz exatamente esses tokens. As provas são geradas em lotes posteriormente, em vez de serem produzidas em linha enquanto os tokens são transmitidos ao usuário.
  3. Verify: Qualquer pessoa que tenha o compromisso, o prompt e a resposta pode executar um programa verificador leve em uma CPU comum para conferir a prova em segundos, sem jamais ver os pesos do modelo.

Para desenvolvedores que não são criptógrafos, um zkSNARK oferece quatro garantias práticas destacadas pela Anthropic no lançamento:

  • Completude: Se o provedor realmente executou o modelo comprometido conforme afirmou, uma prova honesta passará pela verificação.
  • Solidez: Um provedor não pode falsificar uma prova aprovada para outro modelo sem quebrar pressupostos criptográficos amplamente aceitos.
  • Conhecimento zero: O verificador não aprende nada sobre os pesos secretos, as ativações intermediárias ou mesmo quais especialistas específicos foram executados em um modelo de mistura de especialistas. A arquitetura geral do modelo, porém, não fica oculta.
  • Concisão: A prova é pequena o suficiente para ser baixada facilmente e rápida de verificar em comparação com executar novamente um modelo enorme por conta própria.

A Anthropic publicou cinco artefatos sob uma licença Apache 2.0 no GitHub (anthropics/FlashProve, versão 0.16.0): a publicação de pesquisa, o relatório técnico, uma especificação de protocolo escrita pelo Claude, a base de código (incluindo um provador CUDA, um verificador C++ rápido chamado cp_verify e um verificador Lean comprovadamente correto) e provas formais em Lean acompanhadas de um visualizador interativo. A Anthropic observa que o Claude produziu as melhorias subjacentes de zkSNARK e que a equipe usou enunciados formais no assistente de provas Lean para tornar auditáveis as decisões complexas de projeto do Claude.

Qual é a velocidade do FlashProve e qual é o tamanho das provas?

Em 4 de novembro de 2026, a Anthropic informa que o FlashProve consegue gerar provas para um modelo de mistura de especialistas com 400 bilhões de parâmetros a cerca de 110 tokens por segundo em uma única GPU NVIDIA H100, produzindo provas menores que 19 MB verificadas em 17 segundos em uma CPU.

A Anthropic avaliou o FlashProve no Llama 4 Maverick da Meta, um exemplo de destaque entre os modelos de pesos abertos, que usa 400B parâmetros no total, com cerca de 17B ativos por token (aproximadamente 232 GB de pesos públicos quantizados em 4 bits). Estes são os números exatos informados pela Anthropic em 2 de novembro de 2026:

Métrica Resultado do FlashProve da Anthropic (Llama 4 Maverick)
Modelo testado Meta Llama 4 Maverick (400B no total, ~17B ativos/token, pesos de 4 bits, ~232 GB)
Hardware do provador 1× GPU NVIDIA H100 + 24 núcleos de CPU
Tempo de compromisso offline ~39 minutos uma vez por modelo (válido para ~16 milhões de solicitações antes de renovar o compromisso)
Velocidade de prova ~223 segundos para um lote de 24 solicitações (~110 tokens/segundo)
Tamanho da prova 18,78 MB por solicitação (~19 MB para uma solicitação de 1.024 tokens)
Download do compromisso pelo cliente ~6,5 MB no total
Tempo de verificação (somente CPU) 17 segundos em 24 threads de CPU (21 segundos em uma única thread)
Sobrecarga de computação em relação ao vLLM ~72× o tempo por GPU (66–77× entre execuções); ~94× na maior carga testada do vLLM (faixa de ~70–95×)
Limite de tamanho do contexto Até 1.024 tokens

Para contextualizar esses números, a Anthropic comparou o FlashProve com a tecnologia de código aberto anterior (VerInf) no mesmo modelo Llama 4 Maverick. Segundo a Anthropic, o VerInf rodava a cerca de 0,02 tokens por segundo: levava 14,3 horas para provar 1.000 tokens, gerava uma prova de 93,6 GB e exigia quase um dia inteiro para verificá-la. Reduzir uma prova de 93,6 GB para 18,78 MB leva a verificação criptográfica de inferência da matemática teórica para algo que uma máquina cliente pode realmente baixar e conferir.

Ainda assim, uma sobrecarga de computação de 70× a 95× em relação ao serviço padrão com vLLM explica por que as provas são produzidas posteriormente em lotes, em vez de anexadas gratuitamente a cada resposta de chat ao vivo.

O que o FlashProve não prova

O FlashProve é um protótipo de pesquisa sem manutenção e com restrições técnicas rigorosas. Assim, uma verificação aprovada não garante equivalência em ponto flutuante, cobertura de toda a conversa ou segurança auditada para produção.

Nas guias known-limits.md e what-is-proved.md da Anthropic no repositório, a equipe é admiravelmente franca sobre onde estão os limites em 4 de novembro de 2026:

  • Somente modelo inteiro e decodificação gulosa: A prova se aplica a uma versão quantizada do modelo com números inteiros de ponto fixo que executa decodificação gulosa (escolhendo sempre o único token de maior pontuação). APIs reais geralmente usam aritmética de ponto flutuante e amostragem aleatória com temperatura. A Anthropic relata que, em uma medição, o token de maior pontuação diferiu em 6,81% das posições entre o modelo inteiro e uma implementação em ponto flutuante.
  • Política de aceitação “clipped-gap” mais flexível: Como os sistemas de serviço podem divergir ligeiramente da referência inteira, o verificador oferece uma política mais flexível que retorna WITHIN LIMITS. A Anthropic alerta que uma aceitação nessa política não prova, por si só, que a resposta seja do modelo; se você não puder avaliar independentemente esses limites de tolerância, deve aceitar apenas uma correspondência exata.
  • Limite curto de contexto: Atualmente as provas aceitam contextos de até 1.024 tokens, que a Anthropic considera “bastante curto” em comparação com sessões normais de programação ou chat.
  • Somente arquiteturas MoE: A implementação atual aceita apenas arquiteturas de mistura de especialistas e não oculta a arquitetura do modelo nem protege contra canais laterais, como ataques de temporização.
  • Escopo no nível de tokens sem metadados: Uma prova válida cobre apenas os tokens específicos verificados e não inclui identidade do cliente nem marca de tempo.
  • Sem auditoria de segurança independente: Embora a solidez do verificador de referência escrito em Lean seja formalmente comprovada, o verificador C++ rápido (cp_verify), o provador CUDA e o componente de compromisso não têm garantias formais: cp_verify é apenas testado em comparação com o verificador Lean. Além disso, a Anthropic afirma que os programas e as provas não passaram por auditoria de segurança independente e que o repositório foi publicado como artefato de pesquisa que não é mantido nem aceita contribuições.

Por que o ID do compromisso importa mais que a prova

Uma prova válida do FlashProve confirma apenas que uma resposta veio de quaisquer pesos correspondentes ao ID do compromisso. Assim, um roteador desonesto pode assumir um compromisso com um modelo barato e entregar uma prova matematicamente válida para o modelo errado.

Esta é a principal conclusão para quem se preocupa com roteadores de API de terceiros. Na guia “Known limits” do repositório, sob o título The provider chooses the model, a Anthropic escreve: “Um sim não diz de quem são os pesos… Um provedor pode se comprometer com qualquer modelo que desejar, inclusive um pequeno ou degenerado.”

Imagine que você paga a um roteador de API suspeito para acessar um modelo de fronteira de 400B. Para economizar, o roteador executa secretamente um modelo barato de 8B. Se ele gerar seu próprio compromisso FlashProve para esse modelo de 8B, processar seu prompt no modelo de 8B e enviar a resposta junto com a prova e o arquivo de compromisso, o verificador C++ no seu notebook indicará aprovação. A matemática é completamente válida: o modelo de 8B realmente produziu aqueles tokens.

Por isso, a Anthropic dá uma regra operacional rigorosa: “Obtenha o ID do compromisso de uma parte em quem você confia, nunca do servidor que está verificando nem de arquivos enviados com uma prova.”

Para que a inferência comprovável detecte um roteador desonesto, o criador original do modelo (como Anthropic ou Meta) ou um auditor independente confiável precisa publicar o ID oficial do compromisso para os pesos reais. Somente quando você verifica a prova do roteador em relação ao ID oficial do compromisso do proprietário a criptografia detecta uma troca de modelo.

O que isso significa para roteadores, revendedores e avaliadores

Se os criadores de modelos passarem a publicar IDs oficiais de compromisso e a oferecer inferência comprovável, roteadores de terceiros e provedores de nuvem poderão provar que forneceram exatamente os pesos pelos quais você pagou, sem expor arquivos proprietários do modelo.

Em seus anúncios de 2 e 3 de novembro de 2026, a Anthropic descreveu vários grupos que podem se beneficiar à medida que a tecnologia amadurece:

  • Clientes de roteadores de API: Equipes que encaminham tráfego por provedores terceirizados de inferência podem auditar posteriormente uma amostra de suas solicitações em relação ao ID de compromisso publicado pelo criador do modelo; uma redução silenciosa de qualidade falharia na verificação.
  • Avaliadores independentes de segurança: Avaliadores antes e depois do lançamento podem verificar se o modelo cuja segurança estão testando é exatamente o mesmo posteriormente oferecido aos clientes.
  • Equipes de segurança que monitoram fluxos adulterados: Como a prova vincula o prompt e os tokens de saída aos pesos comprometidos, a Anthropic observa que ela dificulta que invasores em servidores comprometidos sequestrem um chat ou modifiquem o fluxo de tokens em trânsito, uma preocupação relacionada a ameaças no nível da aplicação como injeção de prompt.
  • Reguladores e verificações de procedência: A Anthropic também aponta o “pacing” de hardware (verificar se a computação é usada para inferência em vez de treinamento não autorizado), a procedência de texto (provar que um modelo específico escreveu ou revisou um documento) e a aplicação de regras de aprovação de modelos.

E quanto ao tráfego do próprio Claude da Anthropic? Na publicação de 2 de novembro de 2026, a Anthropic observou que seu Frontier Safety Roadmap incluía a meta de desenvolver um protótipo de inferência comprovável até 30 de setembro de 2026, chamada pela Anthropic de “verificação de inferência” após uma atualização de 19 de outubro de 2026. A Anthropic afirma ter cumprido o prazo de setembro por meio de um projeto relacionado, porém separado, que assina criptograficamente seu tráfego de inferência e recalcula a inferência em um servidor confiável. O FlashProve busca o mesmo objetivo de verificação por meio de criptografia de conhecimento zero, em vez de recálculo confiável.

O que eu faria hoje ao comprar acesso a um modelo por meio de terceiros

Como em 4 de novembro de 2026 nenhuma API comercial ou roteador anexa provas FlashProve ao tráfego ao vivo, sua única defesa confiável hoje contra a substituição de modelos é comprar diretamente dos provedores originais ou de parceiros verificados em quem você confia contratualmente.

Se você é desenvolvedor ou líder de engenharia e está considerando agora um proxy com desconto ou um roteador de terceiros, eu agiria assim:

  1. Trate a string model em uma resposta de terceiros como uma alegação não verificada. Não suponha que um revendedor esteja fornecendo o modelo de fronteira apenas porque o conteúdo JSON diz isso.
  2. Não dependa de testes pontuais de prompts para detectar uma troca. Leve a sério o alerta da Anthropic: verificações da qualidade da saída, por si só, não distinguem de forma confiável um modelo de fronteira de um substituto mais barato nos prompts cotidianos.
  3. Mantenha cargas de trabalho críticas nas APIs dos provedores originais ou nos grandes provedores de nuvem. Se a precisão, a segurança ou a conformidade do seu produto dependem de um modelo de fronteira específico, pague o preço oficial de tabela ou use um parceiro oficial de nuvem com acordos de nível de serviço vinculantes.
  4. Saiba como verificar se as provas forem lançadas mais tarde. Se seu provedor de inferência adotar o FlashProve ou um esquema zkSNARK semelhante, nunca use o arquivo de compromisso incluído na resposta dele. Obtenha o ID do compromisso diretamente com o criador do modelo, compile o verificador você mesmo, confira quais tokens estão cobertos e exija aceitação por correspondência exata, a menos que consiga avaliar os limites de tolerância numérica por conta própria.

Perguntas frequentes

O FlashProve consegue verificar respostas da API Claude hoje?

Não. Em 4 de novembro de 2026, o FlashProve é um protótipo de pesquisa de código aberto demonstrado no Llama 4 Maverick da Meta, um modelo de pesos abertos. Nem a API Claude, nem a OpenAI, nem roteadores comerciais de API anexam provas FlashProve às respostas hoje. A Anthropic observou separadamente que alcançou sua meta interna de 30 de setembro de 2026 para verificação de inferência por meio de outro projeto que assina o tráfego e recalcula a inferência em um servidor confiável.

O FlashProve revela os pesos secretos do modelo?

Não. O FlashProve usa uma prova de conhecimento zero (zkSNARK), que garante que o verificador não aprenda nada sobre os pesos secretos do modelo, valores das camadas intermediárias ou quais especialistas específicos foram ativados durante a inferência. A arquitetura geral do modelo não é oculta e canais laterais de temporização estão fora do escopo, mas os pesos proprietários permanecem completamente privados, permitindo ainda que qualquer pessoa verifique o cálculo em uma CPU.

Posso executar o verificador FlashProve por conta própria?

Sim. A Anthropic publicou o código no GitHub sob uma licença Apache 2.0 (anthropics/FlashProve). Você pode compilar o verificador C++ rápido (cp_verify) no Linux e conferir provas em uma CPU comum sem precisar de GPU ou dos pesos do modelo. O repositório inclui um exemplo salvo usando um pequeno modelo sintético para que desenvolvedores possam testar localmente o fluxo Commit → Prove → Verify.

Inferência comprovável é o mesmo que assinatura digital?

Não. Uma assinatura digital padrão prova apenas quem enviou uma mensagem, exigindo que você confie que o remetente executou honestamente o modelo correto. A inferência comprovável com FlashProve prova quais pesos comprometidos calcularam os tokens de saída. Mesmo assim, você precisa obter o ID do compromisso de uma parte confiável, pois um servidor desonesto poderia assumir um compromisso com um modelo barato e gerar provas válidas para ele.

Detalhes verificados pela última vez em 4 de novembro de 2026. Próxima revisão: 4 de dezembro de 2026.

Fontes

Escrito por

Chunyu Cai

Chunyu Cai é CEO da Lotook, LLC e empreendedor. Escreve sobre modelos de IA, agentes e como eles mudam o trabalho cotidiano. Chunyu Cai tem um mestrado pela instituição Imperial College London.