Anthropic FlashProve adalah sistem open source yang bisa membuktikan secara kriptografis bahwa sebuah jawaban AI benar-benar dihasilkan oleh model tertentu, tanpa membuka bobot (weights) model tersebut. Anthropic memperkenalkannya lewat tulisan riset berjudul "Progress on provable inference for large language models" yang tercantum terbit 2 November 2026. Dalam uji coba, FlashProve mampu membuat bukti untuk model raksasa Llama 4 Maverick (400 miliar parameter) dengan satu GPU Nvidia H100, sementara pemeriksaannya cukup memakai CPU biasa dalam hitungan detik. Berikut cara kerjanya, angka performanya, dan keterbatasan yang diakui Anthropic.
Apa Itu Anthropic FlashProve?
Saat kita mengetik prompt ke chatbot, kita sebenarnya tidak punya cara memastikan model mana yang menjawab. Penyedia layanan, perantara (router) API, atau bahkan peretas yang menyusup ke server bisa saja mengganti model yang dijanjikan dengan model lain yang lebih murah. Menilai dari kualitas jawaban saja tidak bisa diandalkan.
FlashProve mencoba menjawab masalah itu dengan konsep yang disebut provable inference, yaitu inferensi yang bisa dibuktikan. Penyedia model menerbitkan semacam "sidik jari" (commitment) dari bobot modelnya. Setiap jawaban kemudian disertai file bukti. Siapa pun yang memegang sidik jari, prompt, dan jawabannya bisa memeriksa apakah jawaban itu memang keluaran model yang dijanjikan.
TechCrunch menggambarkannya mirip tanda tangan kriptografis pada email: penerima bisa memastikan pesan benar-benar datang dari pengirim yang diklaim. Bedanya, di sini yang dibuktikan adalah identitas model AI.
Cara Kerja FlashProve: Commit, Prove, Verify
Menurut dokumentasi resmi di repositori GitHub anthropics/FlashProve, sistem ini melibatkan dua pihak, yaitu penyedia model (prover) dan pengguna (verifier), dalam tiga langkah:
- Commit. Penyedia menerbitkan ID commitment yang mengikat satu set bobot model tertentu. Bobotnya sendiri tetap rahasia. Di uji coba Anthropic, tahap offline ini berjalan sekali per model dan memakan waktu sekitar 39 menit.
- Prove. Untuk setiap jawaban, GPU milik penyedia membuat bukti bahwa jawaban itu adalah keluaran model yang sudah di-commit.
- Verify. Siapa pun bisa memeriksa bukti tersebut di CPU biasa tanpa memerlukan bobot model.
Teknologi intinya adalah zkSNARK (zero-knowledge succinct argument of knowledge), jenis bukti kriptografis yang juga dipakai di jaringan blockchain layer 2 seperti Starknet. Dua sifat pentingnya: zero-knowledge (bukti tidak membocorkan informasi tentang bobot model) dan succinct (bukti kecil dan jauh lebih cepat diperiksa dibanding menjalankan ulang modelnya).
Angka Performa FlashProve
Anthropic menguji FlashProve pada Llama 4 Maverick buatan Meta, model mixture of experts (MoE) dengan total sekitar 400 miliar parameter dan sekitar 17 miliar parameter aktif per token, memakai bobot versi 4-bit. Hasil yang dilaporkan di halaman riset Anthropic:
- Kecepatan prover: sekitar 110 token per detik pada satu GPU H100 dengan 24 core CPU, untuk batch 24 permintaan (sekitar 223 detik per batch).
- Ukuran bukti: sekitar 18,78 MB per permintaan dengan jendela 1.024 token.
- Waktu verifikasi: sekitar 17 detik dengan 24 thread CPU, atau 21 detik dengan satu thread. Pengguna cukup mengunduh commitment sekitar 6,5 MB.
- Biaya tambahan: membuat bukti butuh waktu GPU sekitar 70 sampai 95 kali lipat dibanding memproses permintaan yang sama dengan vLLM, mesin inferensi open source yang populer.
- Masa berlaku commitment: sekitar 16 juta permintaan, setelah itu penyedia harus membuat commitment baru.
Sebagai pembanding, Anthropic menyebut sistem serupa sebelumnya, VerInf, membutuhkan 14,3 jam untuk 1.000 token pada model yang sama, dengan ukuran bukti 93,6 GB yang perlu hampir sehari untuk diverifikasi. Lompatan ke 110 token per detik dengan bukti 19 MB inilah yang membuat Anthropic menilai pendekatan ini mulai praktis.
Menariknya, Anthropic menyebut Claude, model AI mereka sendiri, ikut berkontribusi pada optimasi sistem ini. Untuk mengimbangi keputusan desain yang sulit dievaluasi, tim menyertakan pembuktian formal dalam bahasa Lean untuk properti keamanan utamanya.
Untuk Apa Provable Inference Dipakai?
Dalam tulisan risetnya, Anthropic memetakan empat tantangan kepercayaan yang bisa dibantu oleh teknologi ini:
1. Mendeteksi penggantian model dan peretasan server
Jika setiap respons wajib disertai bukti, penyerang yang membobol server inferensi tidak bisa diam-diam menyajikan jawaban berbahaya atas nama model resmi. Anthropic juga menyinggung skenario model yang lebih canggih menyamar sebagai model yang lebih lemah demi menghindari pengawasan.
2. Membuktikan asal-usul teks
Contohnya, pengembang yang mengklaim kode mereka sudah dipindai kerentanannya oleh model keamanan siber kelas atas, atau perusahaan yang mengklaim rencana bisnisnya sudah dinilai oleh model tertentu. Bukti kriptografis membuat klaim seperti itu bisa diperiksa.
3. Pengawasan regulator
Regulator bisa meminta bukti bahwa hanya model yang sudah disetujui yang dilayani ke publik, tanpa perusahaan harus menyerahkan bobot modelnya. Isu tata kelola AI ini sedang hangat, termasuk di Indonesia, di mana pemerintah tengah menyusun batasan pemanfaatan AI.
4. Membantu pengaturan laju pengembangan AI
Bukti inferensi bisa menunjukkan bahwa perangkat keras benar-benar dipakai untuk melayani model tertentu. Namun Anthropic mengakui bukti ini tidak bisa memastikan perangkat yang sama tidak dipakai untuk melatih model lain di sela-selanya.
Keterbatasan yang Diakui Anthropic
Anthropic menegaskan FlashProve adalah prototipe riset, bukan produk. Repositori GitHub-nya bahkan diberi keterangan "Not maintained". Beberapa batasan yang disebutkan:
- Belum dipakai di Claude. TechCrunch melaporkan tidak ada rencana menerapkannya di Anthropic maupun lab lain untuk saat ini.
- Konteks pendek. Baru mendukung jendela 1.024 token, jauh di bawah ratusan ribu token yang biasa dipakai chatbot modern.
- Hanya arsitektur MoE. Model dense belum didukung, dan arsitektur model tidak ikut dirahasiakan.
- Decoding greedy berbasis integer. Jawaban dari sampling acak atau komputasi floating point bisa menyimpang dari yang dibuktikan.
- Kode cepat tanpa jaminan formal. Pembuktian Lean berlaku untuk protokolnya. Verifier C++ yang dipakai sehari-hari tidak punya jaminan formal, walau dalam pengujian selalu cocok dengan verifier Lean.
- Serangan side channel seperti mengukur waktu pembuatan bukti belum ditangani.
Kode, pembuktian Lean, dan dokumentasinya dirilis dengan lisensi Apache 2.0. Anthropic menyatakan tujuan rilis ini adalah agar pihak lain bisa mempelajari, memakai, dan memperbaikinya.
Apa Artinya bagi Pengguna AI?
Untuk pengguna biasa, FlashProve belum berdampak langsung. Tetapi arahnya jelas: ke depan, jawaban AI bisa dilengkapi "sertifikat" yang membuktikan model mana yang menghasilkannya. Ini relevan seiring banyaknya layanan pihak ketiga yang menjual akses ke model AI populer, termasuk layanan agen AI seperti fitur background computer use di Claude Code. Isu kepercayaan dan keamanan juga makin penting menjelang rencana IPO Anthropic, ketika investor dan regulator menuntut transparansi lebih tinggi.
Bagi yang ingin mendalami sisi teknis keamanan, topik kriptografi seperti ini juga sering muncul dalam kompetisi keamanan siber. Panduan awalnya bisa dibaca di panduan CTF untuk pemula.
FAQ Seputar Anthropic FlashProve
Apakah FlashProve sudah dipakai di Claude?
Belum. Anthropic menyebutnya prototipe riset. Untuk target "verifikasi inferensi" di Frontier Safety Roadmap-nya, Anthropic memakai proyek terpisah yang menandatangani lalu lintas inferensi dan menghitung ulang di server tepercaya.
Apakah FlashProve membocorkan bobot model?
Tidak. Sifat zero-knowledge pada zkSNARK membuat bukti tidak mengungkap bobot, nilai antara komputasi, ataupun expert mana yang aktif di setiap lapisan.
Model apa yang sudah didukung?
Uji coba resmi memakai Llama 4 Maverick (400B MoE, 4-bit). Bobotnya tidak disertakan dalam rilis dan harus diunduh sendiri dari Hugging Face sesuai lisensi Meta.
Bisakah saya mencoba FlashProve?
Kodenya terbuka di GitHub, tetapi menjalankan contoh lengkap butuh mesin dengan GPU besar (sekitar 80 GB VRAM dan sekitar 290 GB RAM host) serta akses ke tokenizer Meta.
Kesimpulan
Anthropic FlashProve menunjukkan bahwa membuktikan identitas model AI secara kriptografis tidak lagi sekadar teori. Bukti untuk model 400 miliar parameter kini bisa dibuat dengan satu GPU dan diperiksa di CPU dalam belasan detik. Meski masih prototipe dengan batasan konteks dan arsitektur, rilis terbuka ini membuka jalan bagi standar baru transparansi layanan AI. Sumber utama: halaman riset Anthropic, repositori GitHub anthropics/FlashProve, dan laporan TechCrunch (3 November 2026).
