這則消息的時間點先說清楚：Anthropic 的 FlashProve 技術報告與開源發布，是 2026 年 11 月初的事，APPI News 的報導發表於 11 月 4 日、次日更新。如果你最近在社羣上看到相關討論，那是後續發酵，不是新的進展。

身為一個把健康知識講成日常語言的專欄，我們之所以想聊這則 AI 新聞，原因很簡單：越來越多人拿 AI 的回答當健康、用藥、投資的參考來源。當你想知道「這個答案到底是不是那個標榜經過安全審核的模型給的」，FlashProve 就是在處理這件事。這跟我們在判讀 AI 找到的答案時該做的功課是同一條線：先分清證據，再決定信任程度。

它想解決的問題：模型名稱說了不算

你呼叫 API 時，回應裡標了模型名稱，或是答案看起來品質很好，這兩件事其實都無法證明後端真的用了哪一組模型權重（權重可以想成模型大腦裡的參數，同一個架構配上不同參數，就是不同的模型）。

FlashProve 的做法是用零知識證明（一種密碼學技術，能在不洩露祕密內容的前提下，說服別人某件事為真）來核對：某個回答的輸出，是否符合事先承諾的那組權重，在收到那個輸入之後會產生的結果。服務商先把權重的「密碼學指紋」公開承諾下來，之後為每次問答附上證明。驗證的人不需要拿到權重、也不需要重跑一次模型，用一般 CPU 就能驗，Anthropic 的實測是 24 執行緒約 17 秒。

數字怎麼讀：先看條件，再看速度

報告裡有幾個常被截圖轉傳的數字，值得放回原脈絡。

測試對象是 Llama 4 Maverick，總參數 400B 的混合專家模型，每個 token 約啟用 17B。研究團隊讓它為 24 個請求的批次產生推論證明，單張 H100 約 223 秒，每份證明約 18.78 MB。

但《The Decoder》的獨立報導點出了關鍵限制：這個原型每個 1,024-token 的窗口，只證明其中「一個指定輸出 token」。換句話說，一整段回答裡，被密碼學保證的只是其中一小塊。對照 vLLM 的一般推論，每 GPU 時間約慢 66 到 77 倍，而且兩邊精度不同（FlashProve 用整數化的 4-bit 權重，vLLM 基準是 FP8），不能當成同條件的服務比較。

權重承諾的離線準備約 39 分鐘，做一次之後每批可共用。另外證明是事後批次產生的，回答可能先送到你手上，證明晚一點才出爐，服務設計上要處理逾時與暫停採信的規則。

把這些數字跟其他研究放在一起看更清楚。zkCNN 能證明單張影像分類來自指定模型，VGG16 單張證明 88.3 秒、341 KB；zkLLM 能證明 LLaMA-2-13B 整段推論，證明低於 15 分鐘。三者的證明範圍不同，數字不能直接排名，這是文獻回顧層次的比較，不是同一把尺的競賽。

最容易被忽略的一點：證明通過，不代表答案是對的

這裡是資訊識讀的核心。FlashProve 的證明通過，只表示「這個輸出確實來自那組被承諾的權重」。它不保證回答正確、沒有偏誤、適合你的情境。模型架構也不在隱藏範圍內。

還有一層：承諾的發布者、版本與更新紀錄本身要可信。如果宣稱程式碼經過某個資安模型掃描，查核者得知道證明綁定的是哪一版權重、哪個輸入輸出，否則證明再漂亮也對不上合約標示的對象。

TechCrunch 也指出，Anthropic 目前沒有計畫把這個原型部署成服務。所以它是「可能的查核方式」的示範，不是已經上線、你可以今天就去用的功能。

回到你自己：可以帶走的幾個判讀習慣

看到「AI 回答可驗證」這類標題時，你可以問三個問題。第一，證明的範圍是整段回答還是單一 token？第二，綁定的是哪一版權重、由誰承諾？第三，數字是在什麼硬體與精度條件下量出來的？

如果是健康或醫療相關的 AI 回答，這些問題之外還要加一條底線：AI 給的資訊只能當初步整理，涉及用藥、診斷與治療決策，仍要以醫師當面評估為準。

順便照顧一下追這類消息的你。我們在[[xiaomi-miMo-v2-6-open-source-developer-health-reading|追模型發布與跑測試時的作息照顧]]裡聊過類似的事：AI 圈的新聞節奏很快，一篇技術報告、一輪社羣討論、一波截圖轉傳，不知不覺就多滑了一小時。讀這種需要比對數字與條件的文章特別耗眼力，記得每二十分鐘抬頭看看遠處，晚上讀到看不下去就留到明天，數字不會跑掉。

先說結論式地收個尾：FlashProve 不需要讓你興奮，也不需要讓你焦慮。它示範了「AI 來源驗證」在密碼學上可行，同時也誠實地展示了成本。等它真的變成你按得下去的功能，再來改變你的信任方式，現在先練習那些判讀問題就好。