FlashProve Anthropic: Bukti Kriptografi Model AI Mana yang Menjawab, Ini Cara Kerjanya

FlashProve adalah sistem open source dari Anthropic yang membuat bukti kriptografis (zkSNARK) bahwa sebuah jawaban AI benar-benar dihasilkan oleh model tertentu, tanpa membuka bobot model itu. Ini penting karena selama ini kita hanya bisa percaya bahwa API yang kita bayar memang memakai model yang dijanjikan.

Rilis yang diumumkan Anthropic lewat tulisan riset "Progress on provable inference for large language models" ini langsung ramai dibahas media teknologi, komunitas kripto, dan developer AI sejak 2–3 November 2026. Alasannya sederhana: untuk pertama kalinya, bukti semacam ini bisa dibuat untuk model sebesar 400 miliar parameter dengan satu GPU, dalam waktu yang masih masuk akal.

Artikel ini menjelaskan apa yang sebenarnya dibuktikan, cara kerjanya, angka-angkanya, batasannya, dan apa artinya untuk developer di Indonesia yang memakai API model AI setiap hari.

Apa masalah yang mau diselesaikan FlashProve?

Saat Anda memanggil API model AI, entah langsung ke penyedia atau lewat router/reseller, Anda mengirim prompt dan menerima teks. Tidak ada cara teknis untuk memastikan teks itu keluar dari model yang Anda pilih. Beberapa skenario yang jadi perhatian:

• Substitusi model diam-diam. Layanan perantara menagih harga model besar, tapi diam-diam melayani dengan model yang lebih murah atau versi kuantisasi yang lebih kasar.
• Server inferensi yang dibobol. Penyerang mengubah token jawaban di tengah jalan.
• Kepatuhan regulasi. Regulator ingin memastikan hanya model yang sudah disetujui yang dipakai untuk layanan tertentu.
• Evaluasi independen. Hasil benchmark pihak ketiga bisa dibuktikan memang berasal dari model yang diklaim.

Isu ini terasa makin relevan setelah serangkaian kasus rantai pasok di ekosistem tool AI, seperti plugin yang dipasang diam-diam ke Claude Code dan Codex. Kepercayaan buta terhadap perantara ternyata mahal.

Bagaimana cara kerja FlashProve?

FlashProve memakai zkSNARK (zero-knowledge succinct non-interactive argument of knowledge). Singkatnya: satu pihak bisa membuktikan bahwa suatu komputasi dijalankan dengan benar, buktinya ringkas dan cepat diperiksa, dan pemeriksa tidak mengetahui data rahasia yang dipakai (di sini: bobot model).

Alurnya terdiri dari tiga langkah:

1. Komitmen (offline). Penyedia membuat "sidik jari" kriptografis dari satu set bobot persis. Prosesnya sekitar 39 menit, hasilnya sekitar 6,5 MB, dan menurut ringkasan CellCog serta AI Polix berlaku untuk kira-kira 16 juta permintaan sebelum harus diperbarui.
2. Bukti per permintaan. Untuk tiap pasangan prompt dan jawaban, prover menghitung ulang inferensi lalu membuat bukti bahwa model yang dikomit, jika diberi prompt itu, menghasilkan token jawaban tersebut.
3. Verifikasi. Siapa pun yang memegang komitmen, prompt, dan jawaban bisa memeriksa bukti di CPU biasa. Hasilnya hanya dua: valid atau ditolak.

Untuk model mixture-of-experts (MoE), pilihan expert pada tiap token ikut disembunyikan. Yang tidak disembunyikan adalah arsitektur model, misalnya jumlah layer dan bentuk MoE-nya.

Analogi sederhana dengan hash

Komitmen mirip dengan mempublikasikan hash sebuah file: orang lain tidak tahu isi file, tapi kalau isinya diganti, hash-nya berubah. Contoh di bawah hanya analogi untuk memahami konsep komitmen, bukan cara FlashProve bekerja (FlashProve memakai skema komitmen dan sistem bukti yang jauh lebih rumit):

import hashlib, secrets

# "Bobot" rahasia milik penyedia (di dunia nyata: ratusan GB)
bobot = b"layer0:0.12,-0.98,...;layer1:..."
garam = secrets.token_bytes(32)          # agar bobot tidak bisa ditebak

komitmen = hashlib.sha256(garam + bobot).hexdigest()
print("Komitmen publik:", komitmen)

# Jika penyedia diam-diam mengganti bobot, komitmennya tidak cocok lagi
bobot_murah = b"layer0:0.10,-0.95,...;layer1:..."
print(hashlib.sha256(garam + bobot_murah).hexdigest() == komitmen)  # False

Bedanya, hash biasa hanya mengikat isi file. zkSNARK di FlashProve membuktikan hal yang lebih kuat: bahwa komputasi inferensi atas bobot yang terikat itu menghasilkan jawaban tertentu, tanpa memperlihatkan bobotnya.

Berapa angka-angkanya?

Anthropic menguji FlashProve pada Llama 4 Maverick milik Meta, model MoE sekitar 400 miliar parameter (sekitar 17 miliar aktif per token), memakai versi publik 4-bit.

Metrik	Hasil yang dilaporkan
Perangkat prover	1× NVIDIA H100, 24 core CPU, ±290 GB RAM host
Kecepatan bukti	±110 token/detik (24 permintaan dalam ±223 detik)
Ukuran bukti	18,78 MB per permintaan 1.024 token
Verifikasi	±17 detik (24 thread) / ±21 detik (1 thread), tanpa GPU
Komitmen	±39 menit dibuat, ±6,5 MB diunduh klien
Overhead vs vLLM	±72× waktu GPU, hingga ±94× pada beban vLLM tertinggi
Batas konteks	1.024 token
Lisensi	Apache 2.0 (repo v0.16.0, artefak riset)

Sumber sedikit berbeda soal pembulatan: AI Weekly menulis "lebih dari 100 token/detik" dan overhead 72–94×, Interesting Engineering menulis sekitar 70–95×. Angka di tabel mengikuti rincian Unite.AI dan CellCog yang merujuk laporan Anthropic.

Kenapa ini dianggap lompatan?

Bukti zero-knowledge untuk model bahasa sudah diteliti beberapa tahun, tapi sangat lambat. Menurut perbandingan yang dikutip Anthropic, sistem VerInf butuh sekitar 14,3 jam untuk 1.000 token pada model yang sama dengan bukti 93,6 GB.

Perlu dicatat, model dan perangkat kerasnya berbeda-beda, jadi grafik di atas bukan perbandingan apel-ke-apel. Pesaing terdekat, Attestable, mencapai 53–77 token/detik pada model dense 31B, tetapi kodenya tidak dirilis.

Mitos vs fakta

Mitos	Fakta
Semua jawaban Claude sekarang punya bukti kriptografis.	Tidak. FlashProve adalah prototipe riset dan diuji pada Llama 4 Maverick, bukan dipasang di layanan Claude.
Bukti ini menjamin jawaban AI benar.	Tidak. Yang dibuktikan hanya asal jawaban (model mana), bukan kebenaran isinya.
Bobot model jadi bisa diintip.	Bobot tetap tersembunyi. Yang terlihat hanya arsitektur model.
Bisa dipakai real-time untuk chat panjang.	Konteks dibatasi 1.024 token dan bukti dibuat setelah inferensi, secara batch, dengan biaya GPU puluhan kali lipat.
Sudah diaudit dan terbukti aman.	Belum ada audit keamanan independen, dan angka performanya belum direproduksi pihak lain.

Apa saja batasannya?

Anthropic cukup terbuka soal batasan di dokumen known limits repositorinya. Poin terpenting:

• Bukti mencakup versi integer dari bobot dengan greedy decoding. Inferensi floating-point atau dengan sampling (temperature > 0) bisa berbeda dari komputasi yang dibuktikan.
• Konteks maksimal 1.024 token, jauh di bawah jendela konteks model frontier saat ini.
• Lean dipakai untuk membuktikan secara formal sifat completeness, soundness, dan zero-knowledge (dalam model random oracle). Namun verifier C++ yang cepat hanya diuji kecocokannya dengan verifier Lean, tidak diverifikasi formal.
• Serangan side-channel, misalnya dari waktu pembuatan bukti, di luar cakupan.
• Repositori berstatus artefak riset: tidak dipelihara dan tidak menerima kontribusi.
• Menurut dokumentasi proyek, hampir semua perangkat lunak, bukti Lean, dan dokumentasinya ditulis oleh sistem AI di bawah arahan manusia.

Ada juga perbedaan antar-sumber soal tim. AI Polix menyebut kolaborasi dengan EPFL, MIT, StarkWare, dan Succinct (termasuk Alessandro Chiesa), sedangkan Unite.AI menulis hanya Anthropic yang disebut sebagai organisasi. Tanggal rilis juga dilaporkan 2 November (Unite.AI, CellCog, AI Polix) atau 3 November 2026 (AI Weekly).

Apa artinya bagi developer Indonesia?

Dalam jangka pendek, tidak ada yang perlu Anda ubah di kode produksi. Tapi arah industrinya jelas: "model mana yang menjawab" bisa menjadi sesuatu yang dibuktikan, bukan sekadar diklaim. Beberapa implikasi praktis:

• Saat memilih reseller/router API model, tanyakan bagaimana mereka menjamin model yang dilayani. Ke depan, bukti inferensi bisa jadi syarat di kontrak pengadaan.
• Untuk sektor teregulasi (keuangan, kesehatan, pemerintahan), konsep "hanya model yang disetujui" kini punya jalur teknis untuk diaudit.
• Untuk model open-weight seperti Mistral Large 4 atau Kimi K3.1 Pro, komitmen bobot bisa membantu membuktikan bahwa penyedia hosting tidak menurunkan kualitas kuantisasi diam-diam.
• Untuk peneliti, kode dan spesifikasi berlisensi Apache 2.0, jadi bisa dipelajari dan dikembangkan.

Kalau Anda ingin mencoba verifier-nya, dokumentasi yang dirangkum CellCog menyebut kebutuhannya cukup ringan: Linux, g++ 13, dan RAM di bawah 2 GB. Cek dulu lingkungan Anda:

# Cek versi kompiler (butuh g++ 13 menurut dokumentasi)
g++ --version | head -n1

# Cek jumlah core CPU (verifikasi ±17 detik dicapai dengan 24 thread)
nproc

# Cek RAM yang tersedia
free -h

Ikuti instruksi build di README repositori resmi anthropics/FlashProve, karena perintah persisnya bisa berubah.

Sambil menunggu teknologi ini matang, praktik dasar tetap berlaku: catat model dan versi yang dipakai di setiap panggilan, simpan log permintaan, dan pantau penggunaan API Anda. Jika Anda mengelola banyak API di satu tempat, dasbor di console.apipedia.id bisa membantu memantau kuota dan log pemakaian.

FAQ

Apakah FlashProve sudah dipakai di API Claude?

Belum ada informasi seperti itu. Anthropic menyebutnya prototipe riset dan "kemajuan antara", dan pengujiannya memakai Llama 4 Maverick, bukan model Claude.

Apa beda zkSNARK dengan tanda tangan digital biasa?

Tanda tangan digital hanya membuktikan siapa yang mengirim pesan. zkSNARK membuktikan bahwa suatu komputasi (di sini inferensi model) dijalankan dengan benar pada data rahasia yang sudah dikomit, tanpa membuka data itu.

Kenapa hanya greedy decoding?

Bukti harus mencocokkan komputasi yang deterministik. Sampling acak dan aritmetika floating-point membuat hasilnya bisa berbeda antarjalankan, sehingga versi saat ini membuktikan model integer dengan greedy decoding.

Berapa biaya tambahan memakai FlashProve?

Menurut laporan Anthropic, pembuatan bukti memakan sekitar 72 kali waktu GPU dibanding melayani permintaan yang sama dengan vLLM, dan sampai sekitar 94 kali pada beban tertinggi yang diuji.

Apakah bukti ini menjamin AI tidak berhalusinasi?

Tidak. FlashProve hanya menjamin jawaban berasal dari bobot model yang dikomit. Benar atau salahnya isi jawaban tetap urusan model itu sendiri.

Sumber

• Unite.AI: Anthropic Releases FlashProve for Cryptographic AI Inference Proofs
• AI Polix: Anthropic releases FlashProve, open-source zkSNARK provable inference
• CellCog: Anthropic FlashProve, Proving Which Model Answered
• Interesting Engineering: Anthropic unveils cryptographic tool to verify model outputs
• AI Weekly: Anthropic opens FlashProve to prove replies match model weights
• Anthropic: Progress on provable inference for large language models
• GitHub: anthropics/FlashProve