A Anthropic divulgou na segunda-feira (2) um estudo técnico que transforma a confiança em modelos de linguagem. O projeto, batizado FlashProve, utiliza a mesma tecnologia cripto das redes de segunda camada do Ethereum – como Starknet e Mantle – para gerar provas de conhecimento zero (zkSNARKs) que atestam a origem das respostas produzidas por grandes modelos de IA.
O trabalho foi desenvolvido pela equipe Frontier Red Team da Anthropic, em parceria com pesquisadores do MIT, da EPFL e das empresas de infraestrutura blockchain StarkWare e Succinct. Os autores da pesquisa são Roy Rinberg, Alex Allain, Alessandro Chiesa, Miranda Christ, Rahul Dalal, Giacomo Fenzi, Ben Mayer e Guy Weissenberg.
Como o FlashProve cria a certificação
O coração do sistema é um zkSNARK construído a partir de um proof of interactive oracle (IOP), compilado por funções hash que garantem até segurança pós-quântica. Em prática, a ferramenta publica um certificado criptográfico junto a cada resposta – um processo chamado post-hoc – que permite ao usuário verificar, em poucos segundos numa CPU comum, se o texto realmente saiu do modelo declarado.
Nos testes com o modelo aberto Llama 4 Maverick da Meta – um modelo de 400 bilhões de parâmetros no formato Mixture-of-Experts – uma única placa Nvidia H100 produziu provas a uma taxa de 110 tokens por segundo. Cada janela de 1 024 tokens gera um arquivo de aproximadamente 18,78 megabytes e pode ser verificada em 17 segundos num processador padrão. Em comparação, o sistema anterior “VerInf” levava 14,3 horas para provar mil tokens, exigindo 93,6 gigabytes de armazenamento.
Arquitetura e fases de operação
FlashProve divide o fluxo em duas etapas para caber em uma única GPU H100 de 80 GB, auxiliada por 290 GB de memória de servidor. Na fase offline, que dura cerca de 39 minutos e cobre 16 milhões de consultas, o provedor publica um fingerprint criptográfico de 6,5 MB sobre os pesos do modelo. Na fase online, o servidor processa pacotes de 24 pedidos em 223 segundos, consumindo apenas os 17 bilhões de parâmetros ativados por token.
O pacote lançado inclui o relatório técnico, a especificação escrita pelo Claude, um visualizador interativo de teoremas, o código do provador e dois verificadores – um rápido em C++ para uso cotidiano e outro formalmente comprovado em Lean. A implementação tem custo computacional de 70 a 95 vezes o tempo necessário para gerar a resposta pura pelo motor vLLM, muito abaixo dos 159 segundos por token do antigo ZKML (2023) ou das 90 horas do Modulus Labs para GPT-2 XL.
Implicações de segurança e regulatórias
Com o certificado anexado a cada resposta, fraudes como a substituição de um modelo caro por um mais barato ou a inserção de código malicioso são neutralizadas pela matemática. Governos podem exigir esses recibos criptográficos para fiscalizar se os data centers estão dedicados a inferência e não ao treinamento clandestino de novas versões, garantindo que apenas modelos aprovados estejam em operação.
Além disso, a tecnologia introduz o conceito de Proof-of-Failure, permitindo que desenvolvedoras provem a clientes corporativos que consumiram, por exemplo, um milhão de tokens em busca de vulnerabilidades sem encontrar falhas. Essa abordagem abre caminho para auditorias independentes, compliance regulatório e mecanismos de pacing AI que exigem comprovação de uso de hardware para inferência.
