Anthropic微微发力，AI中转站的天就要塌了？

你付钱调用的那个 AI，真的是商家承诺的那个模型吗？ 比如，一个第三方平台声称接入了旗舰模型，后台却换成便宜的小模型、旧模型，光看回答的语气和质量，我们很难判断；又或者是同一道题目，官网能做出来，用中转站却卡住了。 图｜GitHub 上部分 AI API 中转站推荐与评测项目，都提到了掺水率 不少通过第三方 API、聚合平台或中转服务调用模型的国内用户来说，这大概是经常需要面对的问题。 一个看起来简单的模型请求，背后需要经过「用户—中转站—上游服务商—模型」多个环节，只要其中一环缺少透明度，我们就很难确认自己买到的，是不是标价对应的模型。 图｜研究链接：https://www.anthropic.com/research/provable-inference Anthropic 近日发布的一项研究，试图把这个只能靠口碑、截图和体感争论的问题，变成一个可以数学验证的问题。 这套名为 FlashProve 的开源研究原型，可以为模型推理生成密码学证明。它尝试让服务商为模型的计算结果提供密码学证明，用户不用拿到模型权重，也不用自己再跑一遍大模型，就能核验。 不公开模型，也能证明「你就是你」 除了使用模型厂商官方的应用，和从官网调用 API 进行对话，我们能确认使用模型的情况。在大多数的 API 调用里，我们提交问题，服务器返回回答，模型世界上是跑在了远程的机器上，我们无法得知后台究竟进行了那些计算。 斯坦福大学的研究项目《Model Equality Testing》曾经就测试过 2024 年四款 Llama 模型的 31 个商业 API 端点，发现其中 11 个端点的输出分布，与 Meta 发布权重的参考分布存在统计差异。 同一个模型名字，有时候并不能对应同一种表现。即便在服务页面挂着的都是 Opus 5.5，但根本无法保证用户获得完全相同的模型。 有时候我们想着可以靠几个问题来鉴别模型，就像最近内测 Opus 5.5 一样，有网友说问他 2026 年 5 月，Karpathy 去了哪里，如果模型答不出他去了 Anthropic，那就是没有被测试到。 但靠这些问题来鉴别模型，还会遇到模型厂商自己路由的问题，往往很难直接定位原因。像是碰巧答错、参数不同、上下文没传完整，和后台换了模型，最后都可能表现成一句「怎么变笨了」、「这不是我想要的模型吧」。 FlashProve 的核心，是一种名为 zkSNARK 的零知识简洁证明技术。 首先，模型服务商为权重生成一个「承诺」，它类似一组密码学指纹，能够唯一锁定特定权重，却不会公开权重本身。 随后，服务商针对给定的输入与待检查输出，生成一份证明，核验这些输出是否符合事先约定的模型计算。用户拿到模型承诺、提示词、回答和证明文件，就可以在自己的电脑上检查： 这套被锁定的权重处理这段输入时，是否确实会产生这些输出。 如果中转站偷偷换了一套模型，或者有人修改了输出，证明便无法与原来的模型承诺对应。 这里用到的零知识证明也很重要，目的是为了让验证者在确认计算结果时，却不会因此获得模型权重、中间计算值，以及 MoE 模型在各层调用了哪些专家。 这也解释了它为什么比「让 AI 自报家门」可靠，回答里写了什么模型名字，不再充当身份证明，检查的是输出与指定权重之间的计算关系。 一台笔记本就能核验 过去，为大模型生成零知识证明的最大障碍是成本，证明过程可能比普通推理慢上几个数量级，证明文件也可能非常大。 Anthropic 使用公开 4-bit 权重的 Llama 4 Maverick 进行实验。这是一个拥有 4000 亿参数的混合专家模型，每个 token 实际激活约 170 亿参数。根据 Anthropic 公布的数据： 单张 H100 生成证明的吞吐量约为 110 tokens/秒 ； 每个 1,024-token 请求的证明约为 19 MB ； 验证不需要 GPU，在 24 线程 CPU 上约需 17 秒 ，单线程约需 21 秒 ； 模型权重的初始承诺只需生成一次，耗时约 39 分钟 。 不过这里的 110 tokens/秒是 证明生成速度 ，不是用户聊天时的模型输出速度。证明依然昂贵，在 Anthropic 的对比条件下，其 GPU 时间约为普通 vLLM 推理的 70～95 倍 。 即便不是免费，但这套方案，以及把一种过去近乎难以承受的验证方式，推进到了开始具有实际想象空间的阶段。 但解释不了「降智」 对于中转站用户，这项技术最直接的吸引力，当然是识别模型替换。但这里有一个关键前提，是我们必须提前知道 正品模型的承诺 是什么。 如果中转站拿出一份有效证明，却只能证明回答来自它自己选择的模型 B，而用户无法确认模型 B 与自己购买的模型 A 是否相同，那么这份证明仍然解决不了身份问题。 真正有效的使用方