Tecnologia utiliza provas criptográficas para identificar a origem das respostas de inteligência artificial sem revelar os pesos dos modelos; projeto experimental já demonstrou resultados com um modelo de 400 bilhões de parâmetros.
A Anthropic apresentou o FlashProve, um sistema de código aberto desenvolvido para resolver um problema cada vez mais relevante no mercado de inteligência artificial: como ter certeza de que uma resposta foi realmente produzida pelo modelo anunciado por uma empresa?
A proposta é utilizar criptografia para criar uma espécie de certificado digital associado a cada resposta gerada por uma IA. Com isso, um usuário, desenvolvedor ou auditor poderá verificar se determinado conteúdo foi produzido pelo modelo que deveria estar sendo utilizado, em vez de uma versão diferente ou mais barata, por exemplo.
A pesquisa foi divulgada em 2 de novembro de 2026 no blog oficial da Anthropic. O projeto utiliza uma técnica criptográfica conhecida como zkSNARK, sigla para Zero-Knowledge Succinct Non-Interactive Argument of Knowledge, que permite comprovar matematicamente a execução de uma operação sem revelar informações confidenciais utilizadas durante o processamento.
Como funciona o FlashProve?
O funcionamento do FlashProve parte de um princípio relativamente simples: antes de disponibilizar um modelo de inteligência artificial, seu fornecedor publica um identificador criptográfico, chamado de compromisso (commitment), associado a um conjunto específico de pesos.
Os pesos são os parâmetros numéricos que determinam o comportamento de um modelo de IA. Em sistemas comerciais, como os desenvolvidos pela Anthropic e pela OpenAI, essas informações geralmente são mantidas em sigilo.
Quando o modelo recebe uma solicitação e produz uma resposta, o sistema gera uma prova criptográfica vinculada ao identificador previamente publicado. Essa prova pode ser encaminhada junto com o resultado para que terceiros verifiquem sua autenticidade.
Na prática, o processo possui três etapas:
- Identificação: o fornecedor publica uma referência criptográfica vinculada aos pesos de uma versão específica do modelo.
- Geração da prova: durante o processamento, o sistema produz um certificado que demonstra que a resposta corresponde à execução daquele modelo.
- Verificação: o destinatário utiliza um verificador para conferir a prova, sem precisar conhecer os pesos ou executar novamente o modelo completo.
Um dos aspectos mais importantes é que o mecanismo não exige a divulgação dos pesos. Isso permite que empresas mantenham seus modelos proprietários protegidos enquanto oferecem uma maneira independente de verificar a origem das respostas.
Por que isso é importante para o mercado de inteligência artificial?
Atualmente, quando alguém utiliza um serviço de IA, normalmente precisa confiar nas informações fornecidas pela própria empresa sobre qual modelo está processando suas solicitações.
Essa confiança pode se tornar um problema em situações nas quais o modelo utilizado influencia diretamente a qualidade ou a segurança de um serviço.
Uma empresa, por exemplo, poderia anunciar acesso a um modelo avançado, mas direcionar determinadas solicitações para uma versão mais simples e barata, reduzindo seus custos operacionais sem informar claramente os clientes.
O problema também pode ocorrer em serviços que conectam diferentes modelos por meio de uma única interface, conhecidos como roteadores de IA. Nesse cenário, o usuário nem sempre consegue identificar qual modelo realmente respondeu à solicitação.
O FlashProve pretende reduzir esse tipo de risco. Se o sistema estiver corretamente implementado, uma resposta produzida por um modelo diferente daquele registrado não conseguirá apresentar uma prova válida vinculada à identidade criptográfica esperada.
A tecnologia também pode ter aplicações em auditorias de segurança. Uma empresa de software poderia, por exemplo, apresentar evidências de que determinada análise de vulnerabilidades foi realmente executada por um modelo especializado em cibersegurança, em vez de simplesmente declarar que utilizou uma ferramenta avançada.
Desempenho: provas geradas com uma GPU NVIDIA H100
Além da proposta de segurança, a Anthropic apresentou resultados experimentais para demonstrar que a verificação criptográfica de respostas de grandes modelos pode ser tecnicamente viável.
Os testes utilizaram o Llama 4 Maverick, modelo da Meta com aproximadamente 400 bilhões de parâmetros, baseado em uma arquitetura Mixture of Experts (MoE).
Embora o modelo tenha 400 bilhões de parâmetros no total, aproximadamente 17 bilhões são utilizados por token durante a inferência, graças à ativação seletiva dos especialistas.
Nos experimentos, o FlashProve conseguiu gerar provas a uma velocidade de aproximadamente 110 tokens por segundo, utilizando uma única GPU NVIDIA H100 de 80 GB e pesos quantizados em 4 bits.
Cada prova referente a uma solicitação de 1.024 tokens ocupa aproximadamente 19 MB. Já a verificação pode ser realizada em uma CPU convencional, sem necessidade de uma GPU dedicada.
Segundo os dados divulgados pela Anthropic, a conferência de uma prova levou aproximadamente 17 segundos em um processador com 24 núcleos.
O desempenho, entretanto, tem um custo computacional considerável. A geração das provas exigiu entre 70 e 95 vezes mais tempo de GPU do que a execução convencional do modelo utilizando o mecanismo de inferência vLLM, nas condições comparadas pela equipe.
Mesmo com essa sobrecarga, o resultado representa um avanço importante em relação a pesquisas anteriores sobre provas criptográficas aplicadas a modelos de linguagem de grande porte.
Pesos protegidos, mas com algumas limitações
Uma das características do FlashProve é utilizar provas de conhecimento zero (zero-knowledge proofs). Isso significa que o processo de verificação não precisa revelar os pesos do modelo nem determinados dados intermediários utilizados durante a execução.
Entretanto, isso não significa que todas as características internas do modelo permaneçam ocultas. A arquitetura utilizada, por exemplo, não é protegida pelo sistema atual.
Também existem limitações técnicas importantes. A demonstração foi realizada com uma versão quantizada e baseada em operações inteiras do Llama 4 Maverick, utilizando decodificação gulosa (greedy decoding). Portanto, não se trata de uma comprovação universal aplicável automaticamente a qualquer implementação ou configuração de um modelo.
O protótipo também trabalha com contextos de até 1.024 tokens, uma limitação relevante diante dos modelos atuais, que podem aceitar centenas de milhares ou até milhões de tokens.
Outro ponto é que a prova confirma a execução do modelo associado aos pesos registrados, mas não garante que a resposta esteja correta, seja segura ou tenha qualidade. Uma IA pode produzir informações equivocadas mesmo quando sua identidade é comprovada criptograficamente.
Projeto foi disponibilizado no GitHub
A Anthropic publicou o código-fonte, a documentação técnica, a especificação do protocolo e as demonstrações de verificação formal do sistema. O material está disponível sob a licença Apache 2.0.
A implementação também utiliza o Lean 4, uma linguagem e ferramenta de verificação formal que permite expressar propriedades matemáticas e conferir suas demonstrações.
Apesar da divulgação pública, o FlashProve deve ser tratado como um protótipo de pesquisa, e não como uma tecnologia pronta para utilização comercial. A própria Anthropic descreve o trabalho como um avanço intermediário, destinado a incentivar avaliações e melhorias por outros pesquisadores.
Além disso, o repositório público atualmente identifica o projeto como um artefato de pesquisa sem manutenção ativa e sem recebimento de contribuições. Portanto, sua disponibilização não significa que exista uma solução comercial pronta ou um compromisso de integração ao Claude.
O código pode ser consultado em: https://github.com/anthropics/FlashProve/
Um passo importante para a transparência na inteligência artificial
À medida que a inteligência artificial passa a participar de decisões empresariais, análises de segurança, desenvolvimento de software e outros processos críticos, saber qual modelo está sendo utilizado pode se tornar tão importante quanto avaliar o resultado produzido.
O FlashProve aponta para uma possibilidade interessante: transformar a identificação de modelos de IA em algo verificável matematicamente, reduzindo a necessidade de confiar exclusivamente nas declarações dos fornecedores.
Ainda existem desafios relacionados ao desempenho, à compatibilidade com diferentes arquiteturas e à ampliação dos contextos suportados. Mesmo assim, a pesquisa demonstra que provas criptográficas podem começar a desempenhar um papel mais relevante na segurança e na transparência dos serviços de inteligência artificial.
