La compañía presenta un sistema criptográfico desarrollado con ayuda de Claude que permite verificar cálculos de modelos de hasta 400 mil millones de parámetros. La tecnología busca facilitar auditorías independientes, detectar sustituciones de modelos y fortalecer la supervisión de la inteligencia artificial.
Anthropic presenta FlashProve, un prototipo de código abierto que utiliza pruebas criptográficas para verificar que una respuesta de inteligencia artificial fue generada por un modelo específico, sin revelar sus parámetros internos ni exigir que el usuario disponga de la infraestructura necesaria para ejecutarlo.
La investigación, publicada el 2 de noviembre de 2026, aborda un problema de confianza en la industria: actualmente, cuando una persona utiliza un modelo de inteligencia artificial a través de una plataforma o servicio intermediario, no puede comprobar de manera independiente que las respuestas proceden realmente del sistema anunciado.
El proyecto utiliza una tecnología criptográfica conocida como zkSNARK, que permite demostrar matemáticamente la ejecución correcta de determinados cálculos sin revelar información confidencial utilizada durante el proceso. Según Anthropic, FlashProve representa un avance en la eficiencia de estas demostraciones, hasta ahora especialmente costosas cuando se aplican a modelos de lenguaje de gran tamaño.
Cómo demostrar que una respuesta procede del modelo anunciado
En los sistemas actuales, los usuarios dependen fundamentalmente de la información proporcionada por el proveedor para conocer qué modelo procesa sus solicitudes. Un servicio intermediario podría sustituir un modelo avanzado por otro menos costoso sin que el usuario pudiera identificarlo con certeza a partir de las respuestas. Una modificación maliciosa de los servidores también podría alterar el sistema utilizado. FlashProve propone verificar criptográficamente la relación entre los pesos de un modelo, una solicitud y la respuesta producida.
Para ello, el proveedor genera primero un compromiso criptográfico asociado con los pesos del modelo. Posteriormente puede producir una prueba de que determinados tokens fueron calculados mediante ese conjunto específico de parámetros.
El usuario o auditor verifica la prueba sin necesidad de conocer los pesos originales ni de ejecutar nuevamente el modelo completo. Este mecanismo no demuestra que la respuesta sea verdadera, segura o de buena calidad. Su función consiste en verificar el origen computacional de la respuesta respecto del modelo comprometido.
Claude contribuye a desarrollar un sistema de verificación criptográfica
Uno de los aspectos más relevantes de la investigación es la participación de Claude en el desarrollo técnico de FlashProve. Anthropic informa que utilizó el modelo para encontrar mejoras en la aplicación de herramientas criptográficas y optimizar el rendimiento del sistema. El trabajo incorporó técnicas existentes de criptografía, teoría de códigos y complejidad computacional.
Sin embargo, la compañía reconoce que las decisiones de optimización realizadas por modelos de lenguaje pueden resultar difíciles de evaluar, especialmente en sistemas matemáticos complejos. Por ello, los investigadores utilizaron Lean, un asistente de demostración formal, para especificar el protocolo y verificar propiedades fundamentales de seguridad.
El equipo desarrolló demostraciones verificables por computadora relacionadas con la aceptación de pruebas legítimas, el rechazo de pruebas falsas y la protección de información confidencial sobre los pesos del modelo.
Anthropic publicó el código, las especificaciones técnicas, las demostraciones en Lean y herramientas para facilitar su revisión, bajo licencia Apache 2.0. La investigación combina así dos procesos diferentes: utilizar inteligencia artificial para contribuir al diseño de un sistema criptográfico y emplear métodos formales para verificar propiedades matemáticas de ese sistema.
FlashProve alcanza 110 tokens por segundo en un modelo de 400 mil millones de parámetros
Los investigadores evaluaron FlashProve utilizando Llama 4 Maverick, un modelo de Meta con arquitectura de mezcla de expertos y 400 mil millones de parámetros totales. En las pruebas, el sistema generó demostraciones criptográficas a una velocidad aproximada de 110 tokens por segundo utilizando una GPU NVIDIA H100 y 24 núcleos de CPU.
Cada prueba ocupó aproximadamente 18.78 MB y podía verificarse en 17 segundos utilizando 24 hilos de CPU, o en 21 segundos con uno solo. Los experimentos utilizaron una versión cuantizada de cuatro bits del modelo y solicitudes con ventanas de 1,024 tokens.
Aunque los resultados representan una mejora respecto de trabajos anteriores de inferencia verificable, generar las pruebas todavía resulta considerablemente más costoso que ejecutar el modelo sin certificación. De acuerdo con Anthropic, el procedimiento requiere aproximadamente entre 70 y 95 veces más tiempo de GPU que la inferencia convencional en las condiciones de sus comparaciones. La velocidad de 110 tokens por segundo corresponde a la generación de pruebas en lotes, no a la velocidad de respuesta de un chatbot convencional.
Una herramienta para detectar sustituciones de modelos y facilitar auditorías
La inferencia demostrable podría tener aplicaciones en servicios comerciales de inteligencia artificial, plataformas que utilizan intermediarios y sistemas sometidos a supervisión regulatoria. Por ejemplo, una empresa que contrata un modelo avanzado podría solicitar una prueba criptográfica de que recibió efectivamente el servicio anunciado.
Los investigadores también plantean su utilización para detectar manipulaciones en servidores de inferencia. Si un atacante sustituyera el modelo autorizado por otro, tendría dificultades para presentar una demostración válida vinculada con los pesos originales.
Otra aplicación potencial corresponde a las evaluaciones independientes de seguridad. Las organizaciones encargadas de examinar modelos avanzados podrían verificar que las respuestas analizadas proceden realmente de la versión que debía ser evaluada, reduciendo la dependencia de declaraciones del proveedor.
En materia regulatoria, la técnica podría ayudar a comprobar que determinadas solicitudes fueron procesadas por modelos autorizados. No obstante, verificar el tráfico de inferencia no demuestra por sí mismo que una empresa haya dejado de utilizar sus equipos para entrenar otros sistemas.
Las limitaciones: alto costo computacional y contextos reducidos
Anthropic advierte que FlashProve continúa siendo un prototipo de investigación y no una solución lista para certificar cualquier interacción con sistemas comerciales de inteligencia artificial. Actualmente, las demostraciones utilizan una representación matemática entera del modelo y un procedimiento de decodificación determinista. Esto significa que las pruebas no cubren automáticamente todas las respuestas producidas mediante los métodos habituales de generación probabilística.
El sistema tampoco admite todavía las grandes ventanas de contexto empleadas por los modelos más avanzados, ya que sus experimentos se limitan a 1,024 tokens. Otra restricción corresponde a las garantías formales. Aunque los investigadores demostraron propiedades del protocolo utilizando Lean, el código ejecutable de alto rendimiento, incluido el verificador desarrollado en C++, no cuenta con las mismas garantías matemáticas.
El sistema protege los pesos del modelo contenidos en las pruebas, pero no oculta su arquitectura. Además, quedan fuera del alcance de esta versión algunos riesgos de filtración mediante canales laterales. Estas limitaciones impiden interpretar los resultados como una certificación integral de seguridad para cualquier modelo o servicio.
Hacia una infraestructura de inteligencia artificial verificable
FlashProve introduce una posibilidad relevante para la gobernanza tecnológica: comprobar determinadas afirmaciones de los proveedores mediante evidencias criptográficas, en lugar de depender exclusivamente de sus declaraciones.
El desarrollo también representa un ejemplo de investigación asistida por inteligencia artificial cuyos resultados pueden someterse a verificación matemática, aunque la correspondencia entre las especificaciones formales y todo el software ejecutable todavía requiere revisión.
Si estas técnicas logran reducir sus costos y ampliar su compatibilidad con diferentes arquitecturas, podrían convertirse en instrumentos para auditorías de modelos, contratación de servicios y supervisión de sistemas avanzados.
La investigación no resuelve todos los problemas de transparencia de la inteligencia artificial, pero abre una vía para verificar una cuestión fundamental: que el sistema que responde es efectivamente el modelo que el proveedor afirma estar utilizando.
