Das KI-Unternehmen Anthropic hat mit FlashProve einen quelloffenen Forschungsprototypen auf Basis sogenannter zkSNARKs vorgestellt. Wie aus Berichten vom 3. November 2026 hervorgeht, ermöglicht das System den Nachweis, dass eine Modellausgabe tatsächlich von bestimmten Modellgewichten erzeugt wurde, ohne dass die Gewichte selbst offengelegt werden müssen.
Die Veröffentlichung erfolgt unter der Apache-2.0-Lizenz, wobei die bereitgestellte Version 0.16.0 als unmaintained eingestuft ist. Das Paket umfasst fünf Artefakte: einen Forschungsbeitrag, einen technischen Bericht, eine Spezifikation des Protokolls, Quellcode für den Prover und zwei Verifier sowie Lean-Beweise für zentrale Aussagen und einen interaktiven Visualisierer.
Leistungsdaten und kryptografische Kennwerte
Anthropic demonstrierte das Verfahren am Modell Meta Llama 4 Maverick, das über 400 Mrd. Parameter in einer Mixture-of-Experts-Architektur verfügt, von denen rund 17 Mrd. Parameter pro Token aktiv sind.
Der Test erfolgte mit 4-Bit-Quantisierung bei einer Modellgröße von etwa 232 GB, unter Einsatz von Integer-Arithmetik in der Prefill-Phase und Greedy-Decoding. Auf einer einzelnen Nvidia H100 mit 80 GB Speicher, unterstützt von rund 290 GB Host-Arbeitsspeicher und 24 CPU-Kernen, erreichte die Beweiserzeugung etwa 110 Tokens pro Sekunde.
Die Abarbeitung eines Batches von 24 Anfragen nahm rund 223 Sekunden in Anspruch. Dabei belief sich die Beweisgröße auf 18,78 MB pro Anfrage beziehungsweise rund 19 MB für einen Kontext von 1.024 Tokens.
Vorab erforderte die Erstellung eines Commitments offline rund 39 Minuten auf einer H100 und 24 CPU-Kernen. Das resultierende Commitment ist rund 6,5 MB groß und bleibt für rund 16 Millionen Anfragen gültig. Die Verifikation über die CPU beanspruchte mit 24 Threads rund 17 Sekunden und mit einem einzelnen Thread rund 21 Sekunden.
Hoher Mehraufwand gegenüber regulärer Inferenz
Gegenüber der Standard-Inferenzbibliothek vLLM verbraucht das Proving bei einem Batch von 24 Anfragen etwa die 72-fache GPU-Zeit, wobei die Spanne zwischen dem 66-Fachen und dem 77-Fachen liegt. Bei höchster Auslastung steigt der Faktor auf das rund 94-Fache.
Laut Anthropic bedeutet das Verfahren dennoch eine deutliche Beschleunigung gegenüber älteren Systemen: Die frühere Forschungsarbeit VerInf habe auf demselben Modell 14,3 Stunden für 1.000 Tokens bei einer Beweisgröße von 93,6 GB benötigt.
Wer sich mit der technischen Absicherung von KI-Systemen befasst, muss auch die rechtlichen Rahmenbedingungen im Blick behalten. Dieser kostenlose Download verschafft Ihnen den Überblick über Fristen, Pflichten und Risikoklassen, den Ihre Rechts- und IT-Abteilung jetzt braucht. EU AI Act in 5 Schritten verstehen
Das System zkLLM kam auf rund 2,5 Tokens pro Sekunde bei einem 13-Milliarden-Parameter-Modell auf einer A100, während Attestable zwischen 53 und 77 Tokens pro Sekunde bei Gemma 4 mit 31 Milliarden Parametern auf einer H100 erzielte.
Einsatzgrenzen und Sicherheitsarchitektur
Für die mathematischen Verbesserungen der zkSNARKs zog Anthropic das eigene Modell Claude heran. Die Sicherheitseigenschaften – Vollständigkeit, Soundness und Zero-Knowledge – wurden im Random-Oracle-Modell mithilfe des Beweisassistenten Lean formuliert.
Für den praktischen C++-Verifier existiert hingegen keine formale Garantie, und es fehlt ein mathematischer Gleichheitsbeweis zwischen C++-Code und Lean-Spezifikation. Zudem setzt die Sicherheitsanalyse eine idealisierte BLAKE2-Kompressionsfunktion voraus.
Das Verfahren weist praktische Grenzen auf: Unterstützt werden Kontexte bis 1.024 Tokens sowie Integer-Modelle mit Greedy-Decoding. Seitenkanalangriffe liegen außerhalb der Sicherheitsgarantien, und es liegen bislang weder unabhängige Sicherheitsprüfungen noch externe Reproduktionen vor.
FlashProve verifiziert lediglich die korrekte Ausführung des Modells und schützt die Gewichte, verbirgt jedoch nicht die grundlegende Modellarchitektur und trifft keine Aussage über Antwortqualität oder inhaltliche Sicherheit.
Die technologische Entwicklung von KI-Modellen stellt Unternehmen vor neue Herausforderungen bei der Einhaltung gesetzlicher Regeln. Erfahren Sie in diesem kostenlosen Report, welche KI-Systeme als Hochrisiko gelten und was Verantwortliche jetzt konkret tun müssen. Umsetzungsleitfaden zum EU AI Act kostenlos herunterladen
Praktischer Einsatzzweck ist die Absicherung gegen manipulierte Ausgaben oder den heimlichen Austausch eines Modells durch günstigere Alternativen, was unter anderem für die Einhaltung regulatorischer Auflagen relevant sein kann.
Auf Claude selbst wurde FlashProve nicht implementiert; ein Termin für einen kommerziellen Start ist nicht bekannt. Berichten zufolge bleibt offen, ob der Rechenmehraufwand für den Alltagsbetrieb ausreichend sinken kann, zumal eine einzelne Anfrage derzeit rund fünf Minuten auf die Zusammenstellung eines Batches wartet.