Anthropic abre FlashProve, sistema para provar qual modelo de IA gerou uma resposta

A Anthropic publicou em 2 de novembro de 2026 o FlashProve, um protótipo aberto para provar criptograficamente que uma resposta foi gerada por um modelo específico, sem revelar seus pesos. O projeto aplica provas de conhecimento zero do tipo zkSNARK à inferência de modelos de linguagem. No teste divulgado pela empresa, uma GPU NVIDIA H100 gerou provas a cerca de 110 tokens por segundo para o Llama 4 Maverick — um modelo mixture-of-experts de 400 bilhões de parâmetros quantizado em 4 bits.

O resultado não transforma a verificação em algo barato: a Anthropic estima que produzir a prova consome de 70 a 95 vezes o tempo de GPU de executar a inferência equivalente no vLLM. Ainda assim, o trabalho desloca uma pergunta hoje respondida por confiança contratual — “o provedor realmente executou o modelo que vendeu?” — para uma que pode ser verificada por software.

O que o FlashProve pretende provar

Quando uma empresa chama uma API de IA, normalmente recebe texto e metadados do fornecedor. Ela não consegue verificar, só pelo resultado, se a resposta veio do modelo anunciado, de uma versão mais barata usada por roteamento interno ou de uma infraestrutura adulterada. Isso é especialmente relevante para avaliações independentes, contratos que especificam um modelo e serviços que revendem ou roteiam chamadas entre vários provedores.

O FlashProve busca atacar essa lacuna. O provedor se compromete criptograficamente com um conjunto de pesos e, para cada resposta, emite uma prova que vincula aquela saída à execução do modelo comprometido. O cliente recebe a resposta e um certificado verificável. Se os tokens não forem compatíveis com o modelo e a entrada declarados, a verificação deve falhar.

A ideia não é nova; o avanço reivindicado pela Anthropic está na engenharia da prova aplicada a modelos grandes. A companhia chama a abordagem de provable inference, ou inferência comprovável. O sistema é baseado em zkSNARKs, sigla para argumentos sucintos de conhecimento de conhecimento zero: mecanismos que permitem demonstrar que um cálculo foi executado corretamente sem expor os dados secretos envolvidos.

Os números divulgados — e o que eles significam

• Modelo avaliado: Llama 4 Maverick, mixture-of-experts de 400 bilhões de parâmetros, com pesos quantizados em 4 bits.
• Geração de prova: aproximadamente 110 tokens por segundo em uma H100, segundo a Anthropic.
• Tamanho da prova: cerca de 19 MB por requisição de 1.024 tokens.
• Custo computacional: aproximadamente 70 a 95 vezes o tempo de GPU da inferência equivalente no vLLM, biblioteca amplamente usada para servir modelos.
• Privacidade: a prova foi desenhada para não revelar os pesos; a arquitetura do modelo, porém, não é ocultada por esse objetivo.

Há uma distinção importante entre verificar e provar. Rodar novamente um modelo de 400 bilhões de parâmetros para conferir uma resposta é caro para o cliente. Uma prova criptográfica tenta deslocar o trabalho pesado para quem serviu a resposta e deixar para o verificador uma checagem curta, adequada a CPU. A publicação descreve essa assimetria como o ponto central da proposta.

Como uma prova de inferência funciona, em termos práticos

O fluxo tem três partes. Primeiro, o fornecedor publica ou registra um compromisso criptográfico com os pesos que diz usar. Depois, ao receber um prompt, executa a inferência e produz a resposta junto com uma prova. Por fim, o cliente ou um auditor usa um verificador para conferir se aquela saída pode ter sido produzida pelo modelo comprometido, com a entrada declarada, sem receber uma cópia dos pesos.

Na prática, isso poderia ser anexado a chamadas críticas de API: por exemplo, uma instituição que contratou um modelo para analisar documentos sensíveis poderia arquivar resposta e prova; um laboratório externo poderia confirmar que o modelo avaliado antes do lançamento continua sendo o modelo servido depois; e uma plataforma de roteamento poderia demonstrar que não substituiu silenciosamente o modelo premium por uma alternativa inferior.

A prova não diz que a resposta é correta, segura, livre de vieses ou adequada para uma decisão humana. Ela responde a uma pergunta mais restrita: se o provedor configurou o sistema corretamente, a saída corresponde à execução do modelo especificado. Confundir integridade de execução com qualidade da resposta seria um erro de interpretação.

Por que isso interessa a segurança e regulação

A Anthropic liga o projeto a dois cenários. O primeiro é a detecção de adulteração: um atacante, operador malicioso ou serviço intermediário pode trocar o modelo, manipular o fluxo de tokens ou servir uma variante não autorizada. A prova cria uma evidência técnica para detectar essa divergência.

O segundo é o cumprimento de compromissos de uso de computação. A empresa sugere que certificados de inferência poderiam ajudar auditores ou reguladores a verificar se um provedor usou determinada infraestrutura para servir um modelo, em vez de alegar uma coisa e fazer outra. A própria publicação impõe um limite importante: isso não prova que o mesmo hardware não esteja sendo usado para treinamento ou outra atividade em paralelo. Portanto, não é uma solução completa para governança de capacidade computacional.

Para organizações brasileiras, o caso mais imediato é contratual e operacional, não regulatório. Empresas que adotam IA em processos auditáveis — atendimento, análise documental, desenvolvimento ou produtos com requisitos de rastreabilidade — ganham uma possível camada de evidência para exigir do fornecedor. Mas a adoção dependerá de suporte do provedor, custo aceitável de prova e mecanismos claros para guardar e auditar os certificados.

O que foi liberado pela Anthropic

A Anthropic informou ter disponibilizado cinco componentes: a explicação pública do projeto, um relatório técnico, uma especificação de protocolo redigida com apoio do Claude, código executável com provador e dois verificadores, e provas em Lean para afirmações matemáticas de alto nível. O código, a documentação e as provas foram publicados sob licença Apache 2.0.

Lean é uma linguagem e assistente de prova formal. Sua presença não substitui uma auditoria do sistema inteiro, mas permite que partes específicas das garantias declaradas sejam examinadas de modo verificável por máquina. A empresa também disponibilizou um visualizador interativo dos teoremas para facilitar essa inspeção.

A autoria assistida por IA é, aqui, parte da própria história técnica: a Anthropic afirma que o Claude contribuiu para melhorias no sistema e para a documentação. Isso torna ainda mais importante separar o que foi formalmente provado, o que é implementação revisável e o que é uma alegação de desempenho dependente das condições do experimento.

Limitações: o principal freio ainda é o custo

O FlashProve é apresentado como progresso intermediário, não como um produto pronto para todas as APIs. O sobrecusto de 70 a 95 vezes em tempo de GPU é alto para aplicações de grande volume. Uma prova de aproximadamente 19 MB por requisição de 1.024 tokens também adiciona armazenamento e transferência de dados, especialmente em fluxos com muitas interações.

Além disso, os números informados se aplicam a uma configuração específica: Llama 4 Maverick, pesos em 4 bits, aritmética inteira na etapa de prefill e uma H100. Eles não devem ser lidos como garantia de desempenho para Claude, outros modelos, contextos longos ou infraestrutura diferente. A adoção real também exige que a cadeia de compromisso, geração, transporte e verificação seja integrada ao produto sem criar novos pontos de falha.

Análise do NoticIA: verificação pode virar diferencial de API

Na análise do NoticIA, o valor do FlashProve está menos em prometer uma API “confiável” e mais em transformar parte da confiança em evidência verificável. Hoje, a seleção de modelo e o roteamento de uma requisição ficam quase sempre invisíveis ao cliente. Se provas de inferência se tornarem suficientemente baratas, contratos corporativos poderão deixar de depender apenas de relatórios, logs internos e cláusulas de serviço.

O obstáculo é econômico. Uma técnica que multiplica por dezenas o tempo de GPU não cabe, por enquanto, em toda conversa de chatbot. Ela faz mais sentido em operações de alto valor: avaliações de segurança, auditorias, decisões reguladas, pipelines críticos e amostragens de conformidade. Esse padrão é comum em segurança: mecanismos inicialmente caros costumam surgir primeiro onde o custo de não verificar é maior.

O ponto técnico mais promissor é que a publicação não se limita a um anúncio. Ao abrir código, especificação e provas formais, a Anthropic permite que pesquisadores contestem premissas, reproduzam partes do trabalho e comparem abordagens. A confiança no fornecedor continua necessária para componentes fora do escopo da prova, mas a base de discussão fica mais concreta.

O que acompanhar a partir de agora

Os próximos testes relevantes serão a velocidade de verificação no cliente, o comportamento com modelos e comprimentos de contexto diferentes, o custo por milhão de tokens e a integração com APIs comerciais. Também será importante observar se outros provedores e projetos abertos adotam formatos compatíveis, porque uma prova útil para auditoria precisa evitar virar um artefato proprietário que só o próprio emissor consegue interpretar.

O FlashProve não resolve a confiabilidade da IA por si só. Ele não mede alucinação, não valida dados de treinamento e não impede abuso. Mas oferece uma direção concreta para uma parte do problema: provar qual modelo executou uma resposta sem entregar os pesos que o tornam valioso.