---
title: "Anthropic apresenta FlashProve para provar qual IA respondeu"
author: "Gabriela P. Torres"
date: "2026-11-07 06:20:39.492-03"
category: "Inteligência Artificial & Dados"
url: "https://desbugados.com.br/post/2026/11/07/anthropic-apresenta-flashprove-para-provar-qual-ia-respondeu"
---

## Resumo
- O FlashProve usa provas zkSNARKs para verificar qual modelo gerou uma resposta sem revelar seus pesos.
- O sistema funciona em duas etapas: uma fase offline publica um compromisso das informações do modelo, e uma fase online gera uma prova para cada resposta.
- A demonstração utilizou o Llama 4 Maverick, com 400 bilhões de parâmetros.
- Uma prova de 1.024 tokens levou cerca de 17 a 21 segundos em uma CPU.
- O protótipo tem custo computacional de 70 a 95 vezes o vLLM convencional.
- A solução também é limitada por precisão inteira, decodificação gulosa e contexto restrito.
- O método comprova a promessa criptográfica, mas ainda não oferece a praticidade de uma ferramenta comercial.

---

A **Anthropic** apresentou o **FlashProve**, um protótipo de código aberto que usa provas criptográficas para verificar se uma resposta veio de um modelo específico sem revelar os pesos proprietários, os valores internos que definem o comportamento desse modelo. A promessa resolve uma dúvida concreta para quem paga por inferência, a etapa em que o modelo gera a resposta: o provedor entregou o resultado com o sistema anunciado ou trocou o modelo por uma alternativa mais barata? A resposta técnica existe, mas vem acompanhada de uma conta alta: o método fica entre **70 e 95 vezes** mais lento que o vLLM, ferramenta de execução de modelos, em sua configuração convencional, segundo a [descrição do projeto](https://thenewstack.io/anthropic-flashprove-model-verification). Portanto, o veredito começa com "sustenta em parte": a identidade pode ser verificada, mas a solução ainda está longe de ser um recurso operacional comum.


## A promessa pode ser separada em duas perguntas


A primeira é se o provedor consegue provar a origem sem abrir o modelo. O FlashProve usa **zkSNARKs**, sigla para provas sucintas e não interativas de conhecimento zero: em termos práticos, um verificador recebe uma prova de que o cálculo foi executado conforme o modelo comprometido, sem receber os pesos. No desenho descrito pela Anthropic, a fase offline publica uma assinatura, ou commitment, das informações do modelo; na fase online, o sistema produz uma prova para cada resposta. Se a prova confere, então a origem alegada passa por uma checagem matemática, não por uma declaração de marketing.


A segunda pergunta é quanto essa checagem exige. Na [demonstração oficial](https://www.anthropic.com/research/provable-inference), o sistema foi usado com o **Llama 4 Maverick**, de **400 bilhões de parâmetros**. Em uma CPU, uma prova para **1.024 tokens**, unidades de texto processadas pelo modelo, levou cerca de **17 a 21 segundos**. O trabalho também inclui verificação formal em **Lean 4**, linguagem usada para testar propriedades de completude e conhecimento zero. Isso mostra que a equipe não apresentou apenas uma ideia abstrata: entregou uma implementação com teste de desempenho e uma camada formal de verificação.


## O custo limita o veredito


O problema aparece quando a prova deixa o laboratório e encontra a produção. Além da diferença de velocidade, a implementação usa cálculos em **precisão inteira** e decodificação gulosa, que escolhe a saída por uma regra fixa, em vez dos métodos de amostragem utilizados em produção. Isso reduz a comparação: uma demonstração que escolhe a saída de modo fixo não representa todas as formas como serviços de IA geram texto. A própria documentação disponível o apresenta como um **protótipo de pesquisa não mantido**, não como uma ferramenta pronta para substituir a inferência convencional. Aqui, a palavra custo inclui tempo de computação e restrições de uso.


O veredito, então, é simples. Se a promessa é provar qual modelo produziu uma resposta sem revelar seus pesos, ela se sustenta: o FlashProve apresenta zkSNARKs, compromisso prévio do modelo e prova por resposta. Se a promessa é oferecer essa garantia com a mesma praticidade da inferência convencional, ela não se sustenta ainda: as restrições de velocidade, contexto e decodificação impedem tratá-lo como substituto direto. As fontes registram que a **Anthropic não tem planos atuais** de integrar a tecnologia à API do Claude. O próximo passo a acompanhar é se essas limitações serão reduzidas em versões futuras. Até lá, a matemática responde à pergunta de identidade; a operação diária ainda não.