11月4日，Anthropic 开源了 FlashProve。每 1024 个 token 的请求，附一份约 19MB 的证明。24 线程 CPU 跑 17 秒，就能验证这段输出是否来自某组被承诺的权重。媒体给它起了个直白的名字：大模型的“防伪身份证”。Anthropic智东西
问题也跟着来了：如果它能证明服务商没偷偷换模型，那用户天天抱怨的“AI 变笨”，是不是就站不住了？
站不住的不是用户的体感，而是这个推理。FlashProve 证明的是“这段输出确实由这组权重算出来”，不是“这组权重就是你买的那个模型”，更不是“这个模型今天状态好”。身份证能验明正身，验不了此人今天为什么心不在焉。小爷毛毛机器之心
它连“没换模型”都还没完全包住。证明绑定的是服务商自己发布的权重承诺；如果中转平台先对另一个便宜模型做承诺，再老老实实为它生成证明，验证照样通过。用户还得有一个可信渠道，提前知道“我买的模型对应哪个承诺”。何况 FlashProve 目前只是研究原型，测试对象是 Llama 4 Maverick，不是 Claude。它只覆盖 1024 个 token 的上下文，只认整数模型加贪心解码；生成证明的 GPU 时间还是普通 vLLM 推理的 70 到 95 倍。它现在还是一张研究原型的身份证，离每个用户能随手查验还有距离。消费电子观察Anthropic
但真正有意思的，是它即使完全成功，也回答不了“变笨”。今年 3 月到 4 月，Claude Code 用户集中反馈模型变笨。Anthropic 在 4 月 23 日的复盘里承认，API 和推理层没有受影响，模型本身也没有能力退化。问题出在产品层三次改动。Anthropic
3 月 4 日，Claude Code 把默认推理强度从 high 调成 medium，理由是 high 模式延迟太长；用户很快反馈“变笨”，4 月 7 日改回。3 月 26 日，他们为闲置超过一小时的会话清理旧思考内容，本意是只清一次，结果代码出错，变成每一轮都清。Claude 还能继续干活，但越来越不知道自己为什么这么做，表现为健忘、重复、工具调用混乱。4 月 16 日，系统提示里加了一句“工具调用之间的文字不超过 25 个词，最终回复不超过 100 个词”，与其他提示词改动叠加后，Opus 4.6 和 4.7 的评测掉了 3%，4 月 20 日回滚。Anthropic量子位
三条改动，没有一条动了模型权重；但每一条都足以让用户觉得“它变笨了”。第一条拿走的是思考时间，第二条拿走的是记忆，第三条拿走的是表达空间。我们平时说的“模型”，其实是权重、推理预算、上下文管理、系统提示和工具链叠在一起的一整套运行时。只盯着权重，就会把“运行时变差”误判成“模型变笨”。
这也解释了为什么“没换模型”不能拿来堵用户的嘴。Anthropic 的复盘恰恰证明：用户的感觉是真的，模型也可以是真的没换。两件事同时成立。把“权重没变”当成“体验没变”的证据，等于用身份证否认一个人今天状态差。
那要解释“变笨”，还缺什么？缺一份运行时的体检报告。除了模型承诺，至少还得能核对：这次用了哪档推理强度、上下文有没有被截断或压缩、系统提示是什么版本、检索到了什么、解码参数是多少。即使权重身份得到确认，系统提示词、安全策略、上下文截断、检索内容和解码参数仍可能影响体验；除非这些条件也被证明覆盖，否则不能据此排除体验下降的原因。消费电子观察
FlashProve 的价值不该被低估。它把“我付了旗舰的钱，后台跑的是不是旗舰”从口头争论变成了可验证的计算，这对中转站、评测机构和审计都是真实的进步。但它是一张身份证，不是一份体检报告。身份证能证明你是谁，证明不了你今天为什么不在状态。
所以，下次觉得 AI 变笨，别只问“换没换模型”。先记下模型版本、思考档位、上下文长度和工具链，用同一套题在相同条件下多跑几轮。如果这些都没变，体验却持续变差，那才是真正值得追问的问题。而这个问题，目前还没有一份 19MB 的证明能替你回答。
