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。
真正有效的使用方式，应当是由模型厂商、可信机构或公开透明的登记系统发布模型承诺，用户验证时固定检查这个预期指纹。在这个前提下，FlashProve 才能从「某次计算确实发生过」，升级为「我们购买的那次计算确实发生过」。
而在社交媒体上，网友们对这项技术更多的评论就是「如果这能最终终结那些他们是不是悄悄削弱了模型的帖子，那就太好了。」
毕竟对我们来说，最想要的结果一定是，「你们不要再吵了，把证明拿出来就好了。」
但即使权重身份已经确认，「降智」也还有其他可能。
模型权重没有变化，并不意味着服务完全没有变化。系统提示词、安全策略、上下文截断、检索内容、量化方式和解码参数，都可能影响最终体验。要排查这些问题，需要明确每项条件是否也被核验覆盖。一个绑定权重的证明，不能自动回答所有产品层面的问题。
Kimi 团队在介绍 Kimi Vendor Verifier 时就提到，自 K2 Thinking 发布后，他们收到了社区关于跑分异常的反馈，调查确认，其中相当一部分案例来自解码参数误用。团队随后在 Thinking 模式约束相关参数，并检查思考内容是否被正确传回。
要让商家拿证明，还得先有人愿意出
尽管距离消费级普及仍有距离，这项技术展示的方向已经足够重要。
Anthropic 这次同时公开了代码、技术报告和 Lean 形式化证明。按照技术博客的介绍，Claude 参与了系统构建和优化，协议文档与部分代码也由 AI 生成。
对于中转服务，实际接入还需要上游参与。模型厂商或持有权重的运营方要建立可信的模型承诺、生成证明，中转平台再把相关内容交给用户。
但如果服务商将来能够持续提供这类证明，我们投诉「你是不是换了模型」，就有机会得到一份可以自己检查的答复。
对模型厂商而言，它也可以帮助发现被入侵的推理服务器，确认实际运行的权重是否经过授权。
对评测机构和监管方而言，它则可能用于确认接受测试的模型与正式提供服务的模型是否一致，或者检查服务商是否使用了未经批准的模型。
当然，所有这些应用都还需要更低的证明成本、更长的上下文支持、覆盖真实推理配置，以及一套可信的模型承诺发布机制。
FlashProve 不会立刻终结网上那些「他们是不是悄悄削弱了模型」的帖子。即使未来权重可以验证，人们仍然可以继续争论系统提示词、解码策略和产品设计是否发生了变化。
但至少，对于模型有没有被掉包这件事，我们有机会从过去靠几个问题猜测、凭感觉争论，变成拿出一份证明，直接验证。
毕竟，我们花钱购买了指定模型的服务，确认自己收到的确实是它，本来就不应该是一件需要靠猜的事情。
本文来自微信公众号“APPSO”，作者：发现明日产品的APPSO，36氪经授权发布。
2条评论