Anthropic FlashProve: Yapay zeka yanıtının hangi modelden geldiğini kanıtlayan sistem

Özet: Anthropic FlashProve adlı açık kaynak bir prototip yayımladı. Sistem, bir yapay zeka yanıtının gerçekten iddia edilen modelden geldiğini, modelin ağırlıklarını açığa çıkarmadan kriptografik olarak kanıtlamayı hedefliyor. Şirket, çalışmanın tamamlanmış bir ürün değil, ara bir araştırma sonucu olduğunu vurguluyor.

Anthropic FlashProve nedir?

Anthropic FlashProve, şirketin Frontier Red Team ekibinin 2 Kasım 2026'da araştırma yazısıyla duyurduğu bir "kanıtlanabilir çıkarım" sistemi. Çalışmada EPFL, MIT ve StarkWare bağlantılı araştırmacılar da yer alıyor.

Kod, Lean kanıtları ve belgeler Apache 2.0 lisansıyla GitHub'da yayımlandı. Şirket, başkalarının çalışmayı alıp geliştirmesini istediğini belirtiyor.

Anthropic'e göre bugün bir kullanıcı, yanıtın seçtiği modelden geldiğini kontrol edemiyor. Bir yönlendirme servisi maliyet nedeniyle daha ucuz bir modeli gizlice devreye sokabilir. Bir saldırgan da token akışını değiştirebilir.

Sistem nasıl çalışıyor?

FlashProve, zkSNARK adı verilen sıfır bilgili kriptografik kanıtlara dayanıyor. Model sağlayıcı önce model ağırlıklarına bağlı kısa bir "parmak izi" yayımlıyor. Ağırlıkların kendisi gizli kalıyor.

Ardından her yanıt için bir kanıt dosyası üretiliyor. Bu dosya, taahhüt edilen modelin o istemde tam olarak bu tokenları ürettiğini gösteriyor. Ayrıntılar projenin teknik açıklama belgesinde yer alıyor.

Anthropic, kodun güvenilirliği için Lean adlı biçimsel doğrulama dilini kullandı. Tamlık, sağlamlık ve sıfır bilgi özellikleri Lean ile ispatlandı. Hızlı C++ doğrulayıcının ise biçimsel garantisi bulunmuyor.

Anthropic'in paylaştığı performans verileri

Şirket sistemi Meta'nın 400 milyar parametreli Llama 4 Maverick modelinin 4 bitlik sürümüyle test etti. Kanıtlar tek bir H100 GPU üzerinde üretildi. Her istek 1.024 tokenlık bir pencereden oluşuyor.

Ölçüt	Anthropic'in açıkladığı değer
Kanıt üretim hızı	Saniyede yaklaşık 110 token
Kanıt boyutu	İstek başına yaklaşık 19 MB
Doğrulama süresi	24 iş parçacıklı CPU'da 17 saniye
Modelin kendisini çalıştırmaya göre ek yük	Yaklaşık 70-95 kat GPU süresi
İlk hazırlık aşaması	Model başına yaklaşık 39 dakika

Doğrulama için GPU gerekmiyor. Kullanıcı yaklaşık 6,5 MB'lık taahhüt dosyasını ve her istek için bir kanıt dosyasını indiriyor.

Rakiplerle karşılaştırma

Anthropic, önceki açık kaynak sistemlerin çok daha yavaş olduğunu söylüyor. Şirkete göre aynı Llama 4 Maverick modelini kanıtlayan VerInf saniyede yaklaşık 0,02 tokene ulaşıyordu. 2024'teki zkLLM ise 13 milyar parametreli bir modelde saniyede yaklaşık 2,5 token üretiyordu.

Ticari tarafta Attestable öne çıkıyor. Anthropic'in aktardığına göre Attestable, 31 milyar parametreli Gemma 4 modelini tek H100 ile saniyede 53-77 token hızında kanıtlıyor. Ancak şirket buna karşılık gelen açık kaynak bir kütüphane yayımlamış değil.

Bir diğer yol, güvenilir donanım ortamları. Bu yaklaşım üreticinin kurcalamaya dayanıklı donanımına güveniyor. FlashProve ise yalnızca yazılım ve matematiksel zorluk varsayımlarına dayanıyor; Anthropic iki yöntemin birbirini tamamladığını belirtiyor.

Sınırlamalar

Anthropic, sistemin bir araştırma prototipi olduğunu açıkça yazıyor. Bağlam penceresi şimdilik 1.024 tokenla sınırlı. Sohbet uygulamalarındaki uzun bağlamlar henüz kapsanmıyor.

Kanıt, açgözlü kod çözme altında tam sayı aritmetiğiyle çalışan model sürümünü kapsıyor. Kayan noktalı çalıştırma ya da örneklemeli üretim farklı sonuç verebilir. Sistem şimdilik yalnızca uzman karışımı mimarisini destekliyor ve mimariyi gizlemiyor.

Türkiye'ye etkisi

Türkiye'de pek çok şirket ve girişim, yapay zeka modellerine aracı servisler ve API'ler üzerinden erişiyor. Bu şirketler için ödenen modelin gerçekten kullanıldığını doğrulamak maliyet açısından önem taşıyor. Model fiyatlarındaki rekabeti GPT-6.1 Terra analizimizde ele almıştık.

Düzenleyici tarafta da konu gündemde. Anthropic, bu tür kanıtların onaylı modellerin kullanıldığını denetlemeye yardım edebileceğini söylüyor. AB Yapay Zeka Yasası'nın yeni takvimi, AB pazarına hizmet veren Türk şirketlerini de ilgilendiriyor.

Siber güvenlik boyutu ise kamu tarafını ilgilendiriyor. Anthropic'e göre sistem, ele geçirilmiş bir sunucunun sahte yanıtlarını tespit etmeye yardımcı olabilir. Siber Güvenlik Başkanlığı'nın yeni yetkileri bu alanda yerli kapasiteyi büyütmeyi hedefliyor.

Kaynaklar

Anthropic Frontier Red Team, "Progress on provable inference for large language models" (2 Kasım 2026). FlashProve GitHub deposu ve teknik açıklama belgesi.