花 Opus 的钱，回你的可能是个便宜模型。
这个怀疑吵了好几年。同样挂着 Claude Opus 的招牌，有的站答得像博士，有的站答得像刚学会说话。你去问客服，对方说负载高、采样温度调过，或者干脆说是你 prompt 写得烂。你没法反驳，因为整条链路上没有任何一个环节，留给你可以验证的东西。知乎
11 月 2 日，Anthropic 开源了一个叫 FlashProve 的研究原型，第一次让这件事有了可以验的格式。机器之心知乎
它是怎么验的
三步，说人话。
第一步按手印。模型上线前，厂商给这套权重算出一个密码学指纹，公开发布出去，权重动一点点，指纹就对不上。知乎
第二步出证明。每生成一条回答，GPU 额外算一份证明文件，说明这段输出确实是被按过手印的那套权重算出来的。
第三步你来验。拿到回答和证明文件，在自己电脑上跑个验证程序，不需要权重也不需要显卡，24 线程 CPU 约 17 秒，单线程约 21 秒。36氪
靠的是 zkSNARK：我向你证明我做了这件事，同时不告诉你我是怎么做的。所以验的人看不到权重，也伪造不出证明。知乎
数字也够硬。测试对象是 Meta 的 Llama 4 Maverick，4000 亿参数 MoE，每 token 只激活约 170 亿；一张 H100 上，证明生成吞吐约 110 Token/s，每份证明文件约 18.78 MB。同样的模型，之前的开源方案 VerInf 每秒只能出 0.02 个 token，一千个 token 要算 14.3 小时，证明文件 93.6 GB，比模型本身还大。机器之心知乎
但你先别高兴
代价写得也很直白：生成证明所需的 GPU 时间，约为普通 vLLM 推理的 70—95 倍。机器之心
快 5500 倍是跟上一代零知识方案比，慢 95 倍是跟正常推理比，两个数字都对，说的是两件事。知乎
再加上：上下文只支持 1024 Token 的窗口，只认整数模型和 Greedy Decoding，还不能直接覆盖所有模型和推理方式。而现在一个 agent 跑几轮工具调用，上下文轻松就是几万 token。仓库首页还写着「不维护、不接受贡献」，它是研究原型，不是产品。机器之心知乎
更要命的是定位：事后追责，不是实时拦截。报告里写得很明白，事后证明不能阻止用户收到错误回复，它只能保证篡改会被发现。回答先到，证明后到，单请求还要等约 5 分钟，因为证明是按批出的。你看到那份被篡改的内容时，警报还没响。知乎
最容易被忽略的那道坎
FlashProve 证明的命题是：那组被承诺的权重，在这个输入上，产出了这些 token。注意主语，它认的是权重，不是招牌。知乎
服务商完全可以承诺另一组便宜权重，再老老实实为它生成有效证明，你验过了、通过了，验的也只是「输出确实来自它承诺的那套权重」。至于那套权重是不是你花钱买的型号，证明本身不回答。36氪
所以谁把承诺 ID 递到你手上，决定了你到底在信谁——Anthropic 至今没公布 Claude 的承诺 ID，也有报道称它暂时没打算把这套东西用到 Claude 上。知乎知乎
还有一层：权重没变，不等于服务没变。系统提示词、安全策略、上下文截断、量化方式和解码参数，随便动一个都能改体验。这类「降智」，FlashProve 一个字都解释不了。36氪
那它凭什么值得关注
因为痛点是真的。斯坦福的 ModelEqualityTesting 项目测过 2024 年 4 款 Llama 模型的 31 个商业 API 端点，其中 11 个的输出分布，与 Meta 发布权重的参考分布存在统计差异。36氪
同一个模型名字，从来就不保证同一种表现。
以前你只能问「你跑的是哪个模型」，对方靠嘴说；以后至少能问「你那组权重的指纹在哪，谁背书」，这句话可以写成式子。
对普通人来说，眼下能做的是两件小事：关键活儿别全押在一个便宜渠道上；验收时拿官方渠道跑同一道题做对照。至于 FlashProve，它现在帮不上你的日常开发，但它把「掺水」这件事从罗生门，变成了一道对方必须回答的题。
铁路刚修好时跑得比马车慢，TLS 证书刚推出来也被嫌损耗性能。基础设施类的东西，第一步都不好看。
