---
title: "FlashProve: dowód, że odpowiedział model, za który płacisz"
url: "https://senteri.pl/flashprove-dowod-tozsamosci-modelu/"
date: "2026-11-08"
updated: "2026-11-09"
section: "Agentic Web"
tags: ["ewaluacja", "modele-jezykowe"]
author: "Łukasz Jajor"
lang: "pl"
---

# FlashProve: dowód, że odpowiedział model, za który płacisz

> Anthropic pokazał prototyp, który kryptograficznie dowodzi, że odpowiedź napisał zadeklarowany model, bez ujawniania wag. Działa na modelu o 400 miliardach parametrów, ale kosztuje prawie sto razy więcej niż sama odpowiedź.

Firma płaci za dostęp do konkretnego modelu. Pyta API, dostaje sensowną odpowiedź i nie ma jak sprawdzić, który model ją napisał. Mógł to być model z umowy. Mógł to być jego tańszy, mocniej skompresowany wariant, inny model albo odpowiedź poprawiona po drodze przez kogoś, kto ma dostęp do serwera. Odpowiedź z każdego z nich może wyglądać przekonująco.

2 listopada Anthropic opublikował FlashProve, prototyp, który zamienia „zaufaj nam” w coś, co da się sprawdzić matematycznie. Warto mu się przyjrzeć, bo w tej samej chwili pokazuje, jak daleko zaszła ta technika i jak daleko jest jeszcze od codziennego użytku.

## Problem, który już ma swoje dowody

Podmiana modelu nie jest teoretycznym zagrożeniem. Moonshot AI, twórca modeli Kimi, po premierze Kimi K2 zauważył wyraźne różnice w jakości wywołań narzędzi między dostawcami, którzy serwowali ten sam otwarty model. Przyczyną nie był model, tylko sposób jego uruchomienia: źle ustawione parametry dekodowania i różnice w implementacji. Firma zbudowała narzędzie K2 Vendor Verifier, które porównuje dostawców na tych samych zadaniach, a w kwietniu 2026 roku, razem z Kimi K2.6, udostępniła jego rozszerzoną wersję.

W serii [„Genealogia modelu”](https://senteri.pl/seria/genealogia-modelu/) wraca wątek, który nazywamy „ta sama nazwa, inny model”: [migawki, aliasy i ciche aktualizacje](https://senteri.pl/jak-czytac-nazwy-modeli/) sprawiają, że pod jedną nazwą w API działają różne modele. Narzędzia takie jak weryfikator Moonshot pozwalają zauważyć skutek, czyli gorsze wyniki. FlashProve próbuje udowodnić przyczynę, czyli tożsamość modelu.

## Jak działa dowód

FlashProve korzysta z dowodów z wiedzą zerową (zkSNARK). Pozwalają one wykazać, że obliczenie wykonano poprawnie, bez ujawniania danych, na których je wykonano. Tu tymi danymi są wagi modelu, czyli jego najcenniejsza tajemnica handlowa.

Działa to w dwóch krokach. Najpierw dostawca publikuje zobowiązanie, rodzaj odcisku palca konkretnego zestawu wag. Potem do odpowiedzi dołącza dowód, że model o tym odcisku, dostawszy dany prompt, wygenerowałby właśnie te tokeny. Każdy, kto ma zobowiązanie, prompt, odpowiedź i dowód, może to sprawdzić na zwykłym procesorze, bez uruchamiania modelu i bez dostępu do wag. Jeśli ktoś podmienił model albo zmienił odpowiedź po drodze, dowód się nie zweryfikuje.

Prototyp przetestowano na Llamie 4 Maverick, otwartym modelu Mety o 400 miliardach parametrów, z wagami skwantyzowanymi do 4 bitów.

| Co zmierzono | Wynik według Anthropic |
| --- | --- |
| Szybkość tworzenia dowodu | ok. 110 tokenów na sekundę na jednym GPU H100 |
| Rozmiar dowodu | ok. 19 MB dla zapytania o długości 1024 tokenów |
| Weryfikacja | ok. 17 s na 24 wątkach procesora, bez GPU |
| Zobowiązanie (odcisk wag) | ok. 6,5 MB, jednorazowo ok. 39 minut obliczeń |
| Koszt w porównaniu z samym uruchomieniem modelu | 72–94 razy więcej czasu GPU niż inferencja w vLLM |

Skalę postępu najlepiej widać w porównaniu, które podaje Anthropic. Wcześniejszy system VerInf udowodnił inferencję tego samego modelu na komputerze DGX Spark: 1000 tokenów zajęło mu 14,3 godziny, dowód ważył 93,6 GB, a weryfikacja trwała prawie dobę. FlashProve na podobnej długości odpowiedzi potrzebuje niecałych dziesięciu sekund pracy jednego H100, a jego dowód jest mniej więcej pięć tysięcy razy mniejszy. Sprzęt jest inny, więc to porównanie skali, a nie dokładny pomiar.

## Czego dowód nie mówi

Ta sekcja jest ważniejsza od liczb, bo łatwo przypisać FlashProve więcej, niż obiecuje.

- **Tożsamość, nie prawdę.** Dowód potwierdza, że odpowiedź napisał zadeklarowany model. Nie mówi nic o tym, czy jest poprawna. Halucynacja właściwego modelu przejdzie weryfikację bez zarzutu.
- **Odcisk wart tyle, ile jego źródło.** Dowód wiąże odpowiedź z zobowiązaniem, a nie z nazwą handlową. Jeśli dostawca opublikuje odcisk mocno skwantyzowanej wersji i nazwie ją pełnym modelem, wszystkie dowody będą poprawne. Dokumentacja projektu mówi wprost, że zobowiązanie trzeba wziąć od strony, której się ufa, a nie z serwera, który się sprawdza.
- **Wąskie warunki.** Prototyp dowodzi obliczeń na liczbach całkowitych i dekodowania zachłannego, czyli bez losowania kolejnych tokenów. Inferencja zmiennoprzecinkowa i próbkowanie mogą odbiegać od tego, co dowiedziono. Kontekst jest ograniczony do 1024 tokenów, a to ułamek długości, na której pracują dziś agenci.
- **Po fakcie.** Dowód powstaje po odpowiedzi, a nie w trakcie. Pewność przychodzi z opóźnieniem i wymaga ponownego przeliczenia. Ataki przez kanały boczne, na przykład pomiar czasu, nie są objęte gwarancją.
- **Wagi ukryte, architektura nie.** Ukrycie budowy modelu nie było celem projektu.

## Kto sprawdza sprawdzającego

Projekt ma jeszcze jeden wymiar. Anthropic sam jest dostawcą modeli, a FlashProve działa tak samo wobec każdego dostawcy, także wobec Anthropic. Firma udostępniła na licencji Apache 2.0 program tworzący dowody, dwa weryfikatory i formalne dowody bezpieczeństwa w języku Lean, żeby niezależni audytorzy mogli sprawdzić gwarancje bez wiary w deklaracje. To dobra praktyka. Z drugiej strony repozytorium jest oznaczone jako artefakt badawczy, którego nikt nie będzie utrzymywał. Kto chce z niego skorzystać, musi przejąć je na własną odpowiedzialność.

Anthropic nie zapowiedział wdrożenia FlashProve w Claude ani w żadnej innej usłudze. Cel ze swojej mapy bezpieczeństwa, czyli prototyp weryfikowalnej inferencji do 30 września 2026 roku, firma uznała za spełniony dzięki innemu projektowi. Ten podpisuje ruch inferencyjny Anthropic i przelicza go ponownie na zaufanych serwerach. To podejście opiera się jednak na zaufaniu do infrastruktury dostawcy, czyli na tym, czego FlashProve chce się pozbyć.

## Co to znaczy dla firmy dziś

FlashProve nie jest produktem, z którego można jutro skorzystać. Pokazuje jednak, o co warto pytać dostawców już teraz, zanim takie dowody staną się standardem:

- **Zapisuj, czego używasz.** Pełny identyfikator modelu z datą migawki, a nie alias w rodzaju „latest”. Bez tego nie wiesz nawet, co miałbyś udowadniać.
- **Pytaj o wariant, nie tylko o nazwę.** Przy otwartych modelach u zewnętrznych dostawców zapytaj o kwantyzację i parametry dekodowania. To tam powstawały różnice, które wykrył Moonshot.
- **Testuj własnym zestawem.** Kilkadziesiąt zapytań z Twojej dziedziny, uruchamianych okresowo, wykrywa spadek jakości bez kryptografii. To przybliżenie dowodu, ale dostępne od ręki.
- **Wpisz model do karty agenta.** Agent, który działa w imieniu firmy, powinien mieć zapisane, na jakim modelu pracuje i kto zatwierdza jego zmianę. Zmiana modelu to zmiana agenta. W [generatorze karty agenta AI](https://senteri.pl/generator-karty-agenta-ai/) służą do tego pola w sekcji „Tożsamość agenta”.

## Jedna myśl na drogę

Do tej pory pytanie „czy to naprawdę ten model?” miało jedną odpowiedź: zaufaj dostawcy. FlashProve pokazuje, że da się na nie odpowiedzieć tak, jak odpowiada się na pytanie o podpis cyfrowy: sprawdzeniem, a nie wiarą. Dziś kosztuje to prawie sto razy więcej niż sama odpowiedź, więc na razie posłuży raczej do audytu niż do codziennego ruchu. Ale gdy przyjdzie pierwszy spór o to, jaki model naprawdę obsługiwał klienta, zdanie „mamy na to dowód” będzie warte więcej niż „mamy umowę”.

## Źródła

- [Anthropic: Progress on provable inference for large language models](https://www.anthropic.com/research/provable-inference)
- [GitHub: anthropics/FlashProve](https://github.com/anthropics/FlashProve)
- [Help Net Security: Anthropic open-sources FlashProve, its provable inference prototype for MoE models](https://www.helpnetsecurity.com/?p=390217)
- [Unite.AI: Anthropic Releases FlashProve for Cryptographic AI Inference Proofs](https://www.unite.ai/?p=500421)
- [INSIDE: Anthropic 公開 FlashProve 研究原型 (po chińsku)](https://www.inside.com.tw/article/42819-anthropic-flashprove-provable-inference)
- [Crypto Briefing: Anthropic's FlashProve uses zero-knowledge proofs to verify large AI model outputs](https://cryptobriefing.com/anthropic-flashprove-zksnark-ai-inference/)
- [Kimi: Rebuilding the "Chain of Trust": Kimi Vendor Verifier](https://www.kimi.com/en/blog/kimi-vendor-verifier)
- [GitHub: MoonshotAI/K2-Vendor-Verifier](https://github.com/MoonshotAI/K2-Vendor-Verifier)
