FlashProve: Anthropic prueba qué modelo te respondió

Qué es FlashProve y por qué Anthropic lo libera

Anthropic publicó FlashProve, un prototipo de investigación de código abierto que permite probar criptográficamente que una respuesta de IA salió de un modelo específico. Resuelve un problema que hoy nadie puede verificar: cuando envías un prompt a una API, no tienes forma de comprobar que el modelo que respondió es el que pagaste.

La cifra que importa: sobre Llama 4 Maverick, un modelo de mezcla de expertos (MoE) de 400.000 millones de parámetros, una sola GPU H100 genera pruebas a unos 110 tokens por segundo, con archivos de prueba de 18,78 MB por cada solicitud de 1.024 tokens. El verificador no necesita GPU: comprueba cada prueba en 17 segundos sobre 24 hilos de CPU (21 segundos en un solo hilo).

Todo se libera bajo licencia Apache 2.0: el código ejecutable, la especificación del protocolo, las pruebas formales y un reporte técnico. Anthropic lo describe explícitamente como progreso intermedio, no como una agenda de investigación cerrada.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Cómo funciona: compromiso, prueba y verificación

FlashProve tiene dos partes: el proveedor del modelo (prover) y el usuario (verifier). Se divide en dos fases.

Fase offline: el proveedor publica un compromiso, una huella corta que fija un conjunto exacto de pesos sin revelarlos. Tarda unos 39 minutos y sirve para aproximadamente 16 millones de solicitudes, después de lo cual hay que volver a comprometerse.
Fase online: por cada solicitud, la GPU produce un archivo de prueba que demuestra que el modelo comprometido generó exactamente esos tokens.

El verificador descarga el compromiso (~6,5 MB) una sola vez y luego una prueba por solicitud. La prueba es zero-knowledge: no revela nada sobre los pesos ni sobre qué expertos se activaron en cada capa. La arquitectura del modelo, en cambio, no se oculta, y eso es una limitación declarada por los propios autores.

El problema real: routers que cambian el modelo sin avisar

El caso de uso más concreto no es académico. Un servicio de enrutamiento puede sustituir silenciosamente un modelo caro por uno barato para ahorrar costos, y tú no tienes manera de detectarlo mirando la calidad del output. El mercado ya se movió en esa dirección: Stripe adquirió OpenRouter, la startup que enruta prompts entre distintos modelos, en una operación de agosto de 2026 reportada en torno a US$7.500 millones, según Crunchbase.

Anthropic enumera cuatro escenarios donde esto importa: reguladores que necesitan confirmar que el hardware sirve inferencia y no entrenamiento; empresas que quieren detectar servidores de inferencia comprometidos; usuarios que necesitan verificar la procedencia de un texto; y reguladores que exigen que solo se sirvan modelos aprobados.

Hay un dato de contexto que explica la urgencia regulatoria: las obligaciones para sistemas de alto riesgo de la Ley de IA de la UE entraron en vigor el 2 de agosto de 2026, según el anuncio de Lagrange Labs. La misma compañía reporta que el 71% de los ejecutivos de empresa afirma que no escalará sistemas de IA sin pruebas de corrección, citando investigación de McKinsey.

Verificación formal: el código criptográfico también se audita

El código criptográfico es frágil. Anthropic lo aborda con Lean, un asistente de pruebas formal, donde especifica el protocolo y demuestra tres propiedades: completeness (una prueba honesta se acepta), soundness (una prueba falsa se rechaza) y zero-knowledge. Según el repositorio, un proveedor tramposo es detectado salvo con una probabilidad de aproximadamente q/2^124 + 2^-101.

El release incluye dos verificadores: uno rápido en C++ para uso diario, sin garantías formales, y uno en Lean que corre más lento pero está probado para aceptar solo lo que acepta el teorema de soundness. En las pruebas de Anthropic, ambos coinciden en todas las pruebas evaluadas.

Cómo se compara con el resto del zkML

El salto es de órdenes de magnitud. VerInf, la única prueba previa de Llama 4 Maverick que Anthropic conoce, reportaba 14,3 horas para 1.000 tokens con una prueba de 93,6 GB que tardaba casi un día en verificarse. FlashProve hace el mismo modelo a 110 tokens por segundo con pruebas de 19 MB que se verifican en segundos.

En el resto del ecosistema, DeepProve de Lagrange Labs, liberado como código abierto en junio de 2026, reporta más de 12 millones de pruebas criptográficas generadas y 3 millones de inferencias verificadas end-to-end en un año. Attestable reporta 53 a 77 tokens por segundo sobre Gemma 4 31B en una H100, pero no ha liberado su librería. SASH (2026) llegó a cerca de 1,25 tokens por segundo en Llama 3.1 8B.

¿Qué significa esto para tu startup?

Tres cosas concretas.

Primero, si construyes sobre APIs de terceros, empieza a preguntar por la procedencia. Hoy no puedes verificar qué modelo respondió, y el costo de esa ceguera crece si vendes a clientes regulados. Pide a tus proveedores su roadmap de atestación y guarda los compromisos de pesos cuando existan.

Segundo, el costo de probar sigue siendo alto: entre 70 y 95 veces el tiempo de GPU de una inferencia normal con vLLM. FlashProve no es algo que vayas a correr en producción para cada request. El diseño es post-hoc: se prueba después del hecho, sobre un subconjunto de tokens, en lotes. Eso lo hace viable para auditoría y cumplimiento, no para servir tráfico en tiempo real.

Tercero, hay una oportunidad de producto en la brecha. El sistema está limitado a contextos de 1.024 tokens, decodificación greedy y arquitecturas MoE. Si tu startup opera en cumplimiento, auditoría o infraestructura para IA, esa lista de limitaciones es un mapa de problemas sin resolver y, por lo tanto, de producto por construir.

Las limitaciones que hay que leer antes de emocionarse

Contexto corto: 1.024 tokens, lejos de las ventanas de cientos de miles o millones de tokens que usan los modelos frontera.
Modelo entero y decodificación greedy: la prueba cubre una versión entera de los pesos publicados y afirma que cada token es la elección greedy de ese modelo. Una respuesta de una implementación en punto flotante o con muestreo podría desviarse.
Sin garantías formales sobre el código rápido: el paper, el código y el modelo en Lean derivan unos de otros, pero Anthropic no garantiza que los tres coincidan.
Ataques de canal lateral: medir el tiempo que tarda en producirse una prueba podría filtrar información sobre los pesos. Queda fuera del alcance de este release.
Es un prototipo: TechCrunch reporta que no hay planes de desplegarlo en Anthropic ni en otro laboratorio, y Yahoo Tech señala que Anthropic no está manteniendo el repositorio.

Conclusión

FlashProve no resuelve el problema de confianza en IA, pero mueve la aguja de imposible a cuestión de ingeniería. El dato que debería quedarse contigo: probar un modelo de 400B pasó de 14 horas por 1.000 tokens a 110 tokens por segundo en una sola GPU, con pruebas que caben en 19 MB y se verifican en un CPU común. Para un founder, eso significa que la atestación de inferencia dejó de ser un tema de investigación y empezó a ser una decisión de arquitectura.