想象一下，你在一家 AI 中转站买了 Claude Opus 5.5 的 API，付的是顶级模型的价格。
但你不知道的是，实际给你干活的，可能是更便宜的 Haiku 5.5，甚至干脆换成了其他模型。
用了几天，你感觉不对劲：怎么回答越来越敷衍？写的代码也开始出错了？
于是你问它：“你到底是什么模型？”
它一本正经地告诉你：“我是 Claude Opus 5.5。”
你怀疑它在骗你，但你没有证据。
当然，AI 降智的原因有很多，比如模型版本更新、上下文影响、提示词质量等。但这里却有一个问题总归是绕不开的：
中转站怎么向你证明，给你用的就是约定好的 Opus 5.5？
最近，Anthropic 开源了一个叫 FlashProve 的研究原型，想解决的就是类似的问题：给 AI 模型的推理过程提供一份可以验证的证明。
说白了，就是让模型也能“验明正身”。难道万恶的AI中转站就要被“严父”狠狠的整治了吗？
一、AI 说自己是谁，能信吗？
现在使用大模型，由于众所周知的原因，很多人不一定直接找官方。而是通过中转站或者AI聚合平台调用模型；还有一些产品，表面上是一个 AI 助手，背后其实串了好几层服务。
一条请求发出去，可能要经过这样的路径：
你当然可以看接口返回的模型名称。但问题是，这个名称也是服务端返回给你的。假如服务端报的是模型 A，实际运行的却是模型 B，你只看这个字段，是分辨不出来的。
至于直接问 AI“你是谁”，那就更不可靠了。
模型怎么介绍自己，会受到系统提示词、上下文等因素影响。你甚至可以让它在对话中扮演另一个模型，它也能配合。
这就像你去买一块手表，卖家说它是正品，表上也印着品牌名。你当然希望他说的是真的，但是缺少一个难以伪造的防伪凭证。
Anthropic 想做的，就是给模型推理增加一张更难伪造的“凭证”。
二、FlashProve 到底是个什么东西？
FlashProve 是 Anthropic 与外部研究者合作推出的一个“可证明推理”研究原型。研究页面标注的发布日期是 11 月 2 日，相关代码、证明和文档以 Apache 2.0 许可开放。
它背后的密码学原理挺复杂的，但我们先不深究纯技术理论，看看它想要做什么。
假设一家AI模型服务商要向用户证明：某次回答，确实来自它承诺使用的某个AI模型型号。
它可以先给这组模型生成一个密码学“承诺”。你可以暂时把它理解成模型权重的一个指纹：它能用来锁定一组确定的模型，但不会直接把模型公开出去。
接着，用户提问，模型回答。服务方再生成一份证明，说明这段回答与那组事先承诺的模型权重、以及指定的计算规则相符。
用户拿到问题、回答、模型权重承诺和证明后，就可以验证这份证明。
整个过程可以简单理解为：
FlashProve 使用的是零知识证明中的 zkSNARK 技术。它有一个很有意思的特点：验证者不需要知道模型的完整权重，也可以检查证明。
这对于闭源模型尤其重要。模型公司当然不愿意随便公开自己的权重，但客户又希望知道服务方实际运行了什么。可证明推理，正是在尝试给双方找到一种验证方式。
不过，看到这里，你可能会冒出一个念头：
“以后，我是不是就能知道，中转站到底有没有给我换模型了？”
虽然但是……还不行
三、给模型验了身，不代表所有问题都解决了
先说第一个问题：证明模型身份，不等于证明回答正确。
假设你收到一份证明，确认某个回答确实符合约定权重的计算结果。这能说明模型按照证明覆盖的规则运行了，但模型自己仍然可能犯错。
它可能引用了不存在的资料，可能写出了有漏洞的代码，也可能把“同比”和“环比”搞反。
这些错误，并不会因为模型身份得到了验证就自动消失。
第二个问题更关键：你怎么知道，那组权重指纹对应的就是你想用的模型？
比如一家服务商公布了一个权重指纹，然后生成证明，告诉你：“这次回答来自对应这组指纹的权重。”
好，这至少证明了计算和指纹之间存在对应关系。
但如果你想进一步确认“这组指纹对应的就是 Claude Opus 5.5”，还需要一个可信的身份绑定方式。例如，模型提供方通过可信渠道公布并签名，告诉大家哪个指纹对应哪个版本。
否则，就像一个人拿着工牌证明“我和工牌上的照片是同一个人”，但这张工牌到底是谁发的，还得另查。
所以，FlashProve 解决的是一块重要拼图，但它本身并不等于一整套完善的模型身份认证系统。
四、更重要的问题，这个技术目前有点贵
Anthropic 的研究人员用 Llama 4 Maverick 的一个第三方 4 位量化版本做了实验。
在官方报告的特定条件下，FlashProve 使用单张 H100 GPU 生成证明的吞吐量约为每秒 110 个 token。对于一个 1024 token 的请求，证明大小约 19 MB，使用 24 核 CPU 验证约需要 17 秒。Anthropic 研究原文
如果只看“每秒 110 个 token”，可能会觉得速度已经不错。
但别急，这不是你平时聊天时看到的模型输出速度，而是研究中批量生成证明的吞吐量。
真正让人头疼的是算力消耗。按照 Anthropic 的实验，生成这份证明所消耗的 GPU 计算时间，大约是普通推理的 70～95 倍。
什么意思？
可以简单理解为：如果普通推理用了1小时的 GPU 计算时间，生成证明可能就要用掉 70～95 小时的 GPU 计算时间。原型目前在上下文长度、模型计算方式和解码条件上也有限制。
所以，它离“所有 AI 回答都自带验真报告”还有一段距离。
目前更合适的定位，是一个展示技术可能性的研究原型。它让人看到大模型推理可以验证的方向，但还没有达到能够普及商用的地步。
五、在技术成熟之前，我们能做什么？
FlashProve技术我们暂时用不上了，但是工作还得继续，对于长期依赖稳定AI模型的业务可以注意一些这几点：
首先，把关键调用记录下来。比如服务商返回的模型名称、版本、调用时间、用量和异常信息。
其次，准备一套自己的测试题，定期检查 AI 有没有漏掉关键事实，看看它能不能稳定完成并通过测试。这样做虽然不能证明服务商有没有换模型，但至少能让你知道：自己的业务效果是不是发生了变化。
还有，选择第三方 API 服务时，除了价格，也可以问清楚几个问题：模型版本变更会不会通知？是否存在自动路由？请求失败时会切换到什么模型？数据会如何处理？
这些对一人公司和小团队来说，可能已经够用了。
现在，随着 AI 被接进产品、工作流和企业系统，很多用户关心的是：
“实际给我干活的，究竟是不是我选的那个模型？”
FlashProve 还没有给出一个人人都能直接使用的答案，但它让这个问题开始有了更具体的解决方向。
毕竟，当我们把越来越多的工作交给 AI，知道它从哪里来，本来就应该是一件理所当然的事。
