你付錢調用的那個 AI，真的是商家承諾的那個模型嗎？
比如，一個第三方平台聲稱接入了旗艦模型，後台卻換成便宜的小模型、舊模型，光看回答的語氣和質量，我們很難判斷；又或者是同一道題目，官網能做出來，用中轉站卻卡住了。
不少通過第三方 API、聚合平台或中轉服務調用模型的國內用戶來說，這大概是經常需要面對的問題。
一個看起來簡單的模型請求，背後需要經過「用戶—中轉站—上游服務商—模型」多個環節，只要其中一環缺少透明度，我們就很難確認自己買到的，是不是標價對應的模型。
Anthropic 近日發布的一項研究，試圖把這個只能靠口碑、截圖和體感爭論的問題，變成一個可以數學驗證的問題。
這套名為 FlashProve
的開源研究原型，可以為模型推理生成密碼學證明。它嘗試讓服務商為模型的計算結果提供密碼學證明，用戶不用拿到模型權重，也不用自己再跑一遍大模型，就能核驗。
不公開模型，也能證明「你就是你」
除了使用模型廠商官方的應用，和從官網調用 API 進行對話，我們能確認使用模型的情況。在大多數的 API 調用里，我們提交問題，伺服器返回回答，模型實際上是跑在了遠程的機器上，我們無法得知後台究竟進行了那些計算。
斯坦福大學的研究項目《Model Equality Testing》曾經就測試過 2024 年四款 Llama 模型的 31 個商業 API 端點，發現其中 11 個端點的輸出分布，與 Meta 發布權重的參考分布存在統計差異。
同一個模型名字，有時候並不能對應同一種表現。即便在服務頁面掛著的都是 Opus 5.5，但根本無法保證用戶獲得完全相同的模型。
有時候我們想著可以靠幾個問題來鑑別模型，就像最近內測 Opus 5.5 一樣，有網友說問他 2026 年 5 月，Karpathy 去了哪裡，如果模型答不出他去了 Anthropic，那就是沒有被測試到。
但靠這些問題來鑑別模型，還會遇到模型廠商自己路由的問題，往往很難直接定位原因。像是碰巧答錯、參數不同、上下文沒傳完整，和後台換了模型，最後都可能表現成一句「怎麼變笨了」、「這不是我想要的模型吧」。
FlashProve 的核心，是一種名為 zkSNARK 的零知識簡潔證明技術。
首先，模型服務商為權重生成一個「承諾」，它類似一組密碼學指紋，能夠唯一鎖定特定權重，卻不會公開權重本身。
隨後，服務商針對給定的輸入與待檢查輸出，生成一份證明，核驗這些輸出是否符合事先約定的模型計算。用戶拿到模型承諾、提示詞、回答和證明文件，就可以在自己的電腦上檢查：這套被鎖定的權重處理這段輸入時，是否確實會產生這些輸出。
如果中轉站偷偷換了一套模型，或者有人修改了輸出，證明便無法與原來的模型承諾對應。
這裡用到的零知識證明也很重要，目的是為了讓驗證者在確認計算結果時，卻不會因此獲得模型權重、中間計算值，以及 MoE 模型在各層調用了哪些專家。
這也解釋了它為什麼比「讓 AI 自報家門」可靠，回答里寫了什麼模型名字，不再充當身份證明，檢查的是輸出與指定權重之間的計算關係。
一台筆記本就能核驗
過去，為大模型生成零知識證明的最大障礙是成本，證明過程可能比普通推理慢上幾個數量級，證明文件也可能非常大。
Anthropic 使用公開 4-bit 權重的 Llama 4 Maverick 進行實驗。這是一個擁有 4000 億參數的混合專家模型，每個 token 實際激活約 170 億參數。根據 Anthropic 公布的數據：
- 單張 H100 生成證明的吞吐量約為 110 tokens/秒；
- 每個 1,024-token 請求的證明約為 19 MB；
- 驗證不需要 GPU，在 24 線程 CPU 上約需 17 秒，單線程約需 21 秒；
- 模型權重的初始承諾只需生成一次，耗時約 39 分鐘。
不過這裡的 110 tokens/秒是證明生成速度，不是用戶聊天時的模型輸出速度。證明依然昂貴，在 Anthropic 的對比條件下，其 GPU 時間約為普通 vLLM 推理的 70～95 倍。
即便不是免費，但這套方案，以及把一種過去近乎難以承受的驗證方式，推進到了開始具有實際想像空間的階段。
但解釋不了「降智」
對於中轉站用戶，這項技術最直接的吸引力，當然是識別模型替換。但這裡有一個關鍵前提，是我們必須提前知道正品模型的承諾是什麼。
如果中轉站拿出一份有效證明，卻只能證明回答來自它自己選擇的模型 B，而用戶無法確認模型 B 與自己購買的模型 A 是否相同，那麼這份證明仍然解決不了身份問題。
真正有效的使用方式，應當是由模型廠商、可信機構或公開透明的登記系統發布模型承諾，用戶驗證時固定檢查這個預期指紋。在這個前提下，FlashProve 才能從「某次計算確實發生過」，升級為「我們購買的那次計算確實發生過」。
而在社交媒體上，網友們對這項技術更多的評論就是「如果這能最終終結那些 他們是不是悄悄削弱了模型 的帖子，那就太好了。」
畢竟對我們來說，最想要的結果一定是，「你們不要再吵了，把證明拿出來就好了。」
但即使權重身份已經確認，「降智」也還有其他可能。
模型權重沒有變化，並不意味著服務完全沒有變化。系統提示詞、安全策略、上下文截斷、檢索內容、量化方式和解碼參數，都可能影響最終體驗。要排查這些問題，需要明確每項條件是否也被核驗覆蓋。一個綁定權重的證明，不能自動回答所有產品層面的問題。
Kimi 團隊在介紹 Kimi Vendor Verifier 時就提到，自 K2 Thinking 發布後，他們收到了社區關於跑分異常的反饋，調查確認，其中相當一部分案例來自解碼參數誤用。團隊隨後在 Thinking 模式約束相關參數，並檢查思考內容是否被正確傳回。
要讓商家拿證明，還得先有人願意出
儘管距離消費級普及仍有距離，這項技術展示的方向已經足夠重要。
Anthropic 這次同時公開了代碼、技術報告和 Lean 形式化證明。按照技術部落格的介紹，Claude 參與了系統構建和優化，協議文檔與部分代碼也由 AI 生成。
對於中轉服務，實際接入還需要上游參與。模型廠商或持有權重的運營方要建立可信的模型承諾、生成證明，中轉平台再把相關內容交給用戶。
但如果服務商將來能夠持續提供這類證明，我們投訴「你是不是換了模型」，就有機會得到一份可以自己檢查的答覆。
對模型廠商而言，它也可以幫助發現被入侵的推理伺服器，確認實際運行的權重是否經過授權。
對評測機構和監管方而言，它則可能用於確認接受測試的模型與正式提供服務的模型是否一致，或者檢查服務商是否使用了未經批准的模型。
當然，所有這些應用都還需要更低的證明成本、更長的上下文支持、覆蓋真實推理配置，以及一套可信的模型承諾發布機制。
FlashProve 不會立刻終結網上那些「他們是不是悄悄削弱了模型」的帖子。即使未來權重可以驗證，人們仍然可以繼續爭論系統提示詞、解碼策略和產品設計是否發生了變化。
但至少，對於模型有沒有被掉包這件事，我們有機會從過去靠幾個問題猜測、憑感覺爭論，變成拿出一份證明，直接驗證。
畢竟，我們花錢購買了指定模型的服務，確認自己收到的確實是它，本來就不應該是一件需要靠猜的事情。
