Ciberseguridad
¿Te han cambiado el modelo sin avisar? Anthropic publica FlashProve, un prototipo que lo demuestra con una prueba de 19 MB
Abierto con licencia Apache 2.0: 110 tokens por segundo en una H100 sobre Llama 4 Maverick, 17 segundos de verificación en CPU y entre 70 y 95 veces el tiempo de GPU de la inferencia. Solo cubre 1.024 tokens, decodificación greedy y modelos MoE, y el repositorio figura como no mantenido.
El rumor del fin de semana es justo el problema
Este fin de semana se ha extendido en X que GPT-6.1 Sol estaría derivando a algunos usuarios a un modelo nuevo, quizá GPT-6.2 Sol, y circula un prompt para «comprobarlo» preguntando por un dato reciente. OpenAI no lo ha confirmado. Pero el debate deja ver algo incómodo: hoy no tienes forma de demostrar qué modelo ha escrito la respuesta que recibes. Solo puedes intuirlo por el estilo o por lo que sabe.
Anthropic publicó el 2 de noviembre de 2026 una propuesta para cambiar eso, y es la pieza que mejor explica el debate. FlashProve es un prototipo de inferencia demostrable: el proveedor se compromete con unos pesos concretos y adjunta a cada respuesta una prueba criptográfica de que esos pesos, con ese prompt, producen exactamente esos tokens. Tú la verificas en tu CPU, sin ver los pesos y sin tener que confiar en quien te sirve el modelo.
Cómo se demuestra sin enseñar los pesos
Hay dos fases. En la primera, el proveedor publica un compromiso con los pesos: una huella corta que fija una versión exacta del modelo sin revelarla. En las pruebas de Anthropic tarda unos 39 minutos y vale para unos 16 millones de peticiones; después hay que volver a comprometerse. En la segunda, por cada petición genera un archivo de prueba. Cualquiera que tenga el compromiso, el prompt y la respuesta puede comprobarlo.
La técnica es un zkSNARK, la misma familia de pruebas que usan redes de capa 2 como Starknet. Promete cuatro cosas: una prueba honesta se acepta, una falsa no se puede fabricar sin romper supuestos criptográficos, no revela nada de los pesos ni de qué expertos se activaron, y es pequeña y rápida de comprobar. La arquitectura del modelo sí queda a la vista. Para que no tengas que fiarte del código, Anthropic publica las propiedades de seguridad demostradas en Lean y un verificador escrito en Lean, además del verificador rápido en C++, que es el de uso diario pero no tiene garantía formal.
De 14 horas a 110 tokens por segundo
El salto está en la velocidad. Sobre Llama 4 Maverick, un MoE de 400.000 millones de parámetros con pesos de 4 bits, una sola H100 con 24 núcleos de CPU genera pruebas a 110 tokens por segundo: un lote de 24 peticiones de 1.024 tokens en unos 223 segundos, con 18,78 MB por prueba. Verificarla cuesta 17 segundos en 24 hilos y 21 en uno, sin GPU. El coste sigue siendo alto: entre 66 y 77 veces el tiempo de GPU de vLLM procesando lo mismo, y unas 94 veces frente a vLLM a máxima carga.
La comparación con trabajos anteriores la hace Anthropic en su propio post, así que la tabla recoge cifras de cada autor medidas en condiciones distintas. No es un ranking homogéneo, pero sí da idea de por qué la publicación ha llamado la atención.
| Sistema | Modelo | Velocidad que se reporta | Detalle |
|---|---|---|---|
| VerInf | Llama 4 Maverick | 14,3 horas por 1.000 tokens | Prueba de 93,6 GB, casi un día para verificar |
| zkLLM (2024) | LLaMA-2-13B | Unos 2,5 tokens/s en lote | Una A100 |
| DeepProve | GPT-2 y Gemma 3 | 2,9 y 1,4 tokens/s; 31 distribuido | Revisado por pares |
| Attestable | Gemma 4 31B (densa) | 53–77 tokens/s en una H100 | Comercial, cifra propia, sin librería abierta |
| FlashProve | Llama 4 Maverick, 4 bits | 110 tokens/s en una H100 | 18,78 MB por petición; 17 s para verificar |
Lo que el prototipo todavía no hace
Anthropic lo llama prototipo de investigación, y los límites cambian la conclusión. Solo cubre contextos de 1.024 tokens, muy lejos de los cientos de miles que usa un chat largo o un agente. Demuestra una versión entera de los pesos con decodificación greedy, así que una respuesta con muestreo o en coma flotante puede desviarse de lo demostrado. Aprovecha la estructura MoE y no oculta la arquitectura. Deja fuera los ataques de canal lateral, como medir cuánto tarda la prueba. Y es post-hoc: se demuestra después, por lotes, no en línea con cada respuesta. El repositorio de GitHub, además, se describe como no mantenido.
Tampoco es lo que firma hoy el tráfico de Claude. Anthropic explica que cumplió su objetivo del 30 de septiembre de 2026 con otro proyecto que firma su tráfico de inferencia y lo recalcula en un servidor de confianza. Desde el 19 de octubre llama a esa meta «verificación de inferencia», porque la ve más amplia que una sola técnica. FlashProve es otro camino hacia lo mismo, y lo publica para que otros lo mejoren.
Quién debería mirarlo ya
Si usas modelos a través de un router o de un tercero, si evalúas modelos antes y después de su lanzamiento o si trabajas en cumplimiento, esto es lo que conviene seguir. Anthropic plantea casos concretos: un regulador que comprueba que el hardware sirve el modelo aprobado, una empresa que detecta un servidor manipulado y una prueba de que un modelo de ciberseguridad concreto revisó un parche durante, al menos, cierto número de tokens sin encontrar fallos.
Un ejemplo hipotético de cuentas: si un proveedor demostrara una de cada 100 peticiones para auditar por muestreo, con un sobrecoste de 70 a 95 veces por petición demostrada, el gasto extra de GPU rondaría entre 0,7 y 0,95 veces el de servir todo el tráfico. Casi duplicar el gasto de GPU sigue siendo caro, pero ya es una cifra que se puede discutir. Para el rumor de GPT-6.2 Sol no cambia nada hoy: ningún proveedor te entrega estas pruebas. Lo que cambia es que pedirlas ha dejado de sonar a ciencia ficción.