FlashProve、LLM推論出力の暗号学的検証を可能に

Anthropicの研究チームと学術協力者は、ゼロ知識証明を用いて大規模言語モデル（LLM）の出力を検証するオープンソースのプロトタイプ「FlashProve」をリリースしました。2026年11月に発表されたこのシステムにより、ユーザーは重い計算リソースを必要とすることなく、またモデル重みを公開せずに、応答が特定のモデル重みによって生成されたことを確認できます。

何が起きたか

Anthropic、EPFL、MIT、Succinctなどの研究者を含むチームは、AI展開における信頼性の課題に対応するためFlashProveを導入しました。モデルがデジタルインフラストラクチャに不可欠になるにつれ、ユーザーは自分が要求したモデルが実際に提供されているかを検証することに困難を抱えています。ルーティングサービスがより安価なモデルに置き換える可能性や、攻撃者がトークンストリームを改ざんするリスクがあるためです。FlashProveは、プロバイダーが応答と同時に証明書を生成し、ユーザーがそれを迅速に検証できるという暗号学的ソリューションを提供します。

今回のリリースは、2026年9月30日までに検証可能な推論のプロトタイプを作成するというAnthropicの公的な目標に向けた進歩を示しています。同社は以前、信頼できるサーバーを利用した別プロジェクトでこの目標を達成していましたが、FlashProveはゼロ知識簡潔知識引数（zkSNARKs）に基づくソフトウェアのみのアプローチを提供します。チームはコミュニティによる改善を促すため、実行可能なコード、技術レポート、および形式検証アーティファクトをApache 2.0ライセンスの下で公開しました。

本システムは、大規模モデルにおいて実用的なパフォーマンスを実証しています。4ビット量子化された4,000億パラメータの混合専門家（MoE）モデルであるLlama 4 Maverickの場合、単一のH100 GPUで約毎秒110トークンの速度で証明書を生成できます。1,024トークンのリクエストに対する証明書サイズは約19 MBです。このプロセスはvLLMを使用した標準的な推論よりも70〜95倍時間がかかりますが、従来のオープンソースシステムと比較すると大幅な高速化であり、それらは桁違いに遅かったと言えます。

仕組み

FlashProveは、証明者（prover）が入力データを結果以外には開示することなく、計算が正しく実行されたことを検証者（verifier）に納得させることができる暗号ツールであるzkSNARKsに依存しています。この文脈では、「計算」とはニューラルネットワークの順方向伝播（forward pass）を指します。システムは2つのフェーズで動作します。まずオフラインフェーズでは、モデルプロバイダーがコミットメントを発行します。これは特定のモデル重みの一意な指紋として機能し、重みを隠したまま正確な値を確定させます。

オンラインフェーズでは、ユーザーがプロンプトを送信すると、プロバイダーはモデルを実行し、証明書ファイルを生成します。このファイルは、コミットメントされたモデルが与えられた入力に対して特定の出力トークンを生成したことを認証します。検証者としてのユーザーは、コミットメント、プロンプト、および応答を使用してこの証明書を確認します。証明書は簡潔であるため、検証はモデルの再実行よりも指数関数的に速く、標準的なCPUで数秒以内に完了できます。重要なのは、ゼロ知識特性により、証明書が独自のモデル重みについて何も明らかにしないことです。

暗号学的主張の信頼性を確保するため、チームは形式検証言語であるLeanを使用しました。セキュリティ保証に関するトップレベルの監査可能なステートメントをLeanで提供し、定理のためのインタラクティブビジュアライザーも用意しました。このアプローチにより、自動最適化の複雑性に対処し、プロトコルが仕様通りに動作することを数学的に厳密に保証します。

主要な詳細

• FlashProveは、単一のH100 GPU上でLlama 4 Maverick（4,000億パラメータ）の証明書生成速度を約毎秒110トークン達成します。
• 証明書サイズは1,024トークンのリクエストあたり約19 MBであり、効率的な送信と保存を可能にします。
• システムは、プリフィルフェーズ中に4ビット量子化重みと整数演算を使用し、パフォーマンスを最適化します。
• 検証にはコミットメント、プロンプト、および応答のみが必要であり、ユーザーはモデル重みにアクセスせずに有効性を確認できます。
• すべてのコード、Lean証明、ドキュメントはApache 2.0ライセンスの下で公開され、外部監査と改善を促進します。
• このソリューションはソフトウェアのみであり、信頼できる実行環境や専用ハードウェアではなく、計算上の難しさ（computational hardness）に依存しています。

なぜ重要なのか

ソフトウェアエンジニアや技術リーダーにとって、FlashProveはAIアプリケーションに新たな完全性（integrity）の層を追加します。これは、第三者のルーティングサービスがプレミアムモデルをより安価なモデルに置き換える「モデル置換」の問題を解決します。各応答に暗号学的証明書を添付することで、プロバイダーはクライアントに対して検証可能な保証を提供できます。これは、本番環境で承認された安全なモデルのみが実行されていることを確認し、不正なエージェントや侵害されたサーバーが悪意のある出力を提供することを防ぐ必要がある内部セキュリティチームにとって特に重要です。

この技術は、規制コンプライアンスやAIペースニングにも影響を与えます。規制当局は、プロバイダーに対し、承認されたモデルでの推論にハードウェアが使用されていること（未認可のトレーニングではないこと）を実証する証明書の提出を要求する可能性があります。これにより、独自の重みを公開したり、規制当局が巨大な計算リソースを所有したりすることなく、監督が可能になります。さらに、開発者はこれらの証明書を使用してデューデリジェンスを実証できます。例えば、特定のフロンティアモデルが脆弱性スキャンのためにコードを走査したことを証明し、セキュリティ主張の信頼性を高めることができます。

できること

• オープンソースのFlashProveコードと技術レポートを確認し、LLM向けzkSNARKsの実装詳細を理解してください。
• 提供されているC++高速検証器とLeanによる検証済み正しい検証器を実験し、自身のインフラストラクチャで証明書検証をテストしてください。
• 証明書生成のオーバーヘッド（推論時間の70〜95倍）と、特定のユースケースにおけるセキュリティ上の利点とのトレードオフを評価してください。
• 検証可能な推論が、現在のAIルーティングまたは監視スタックにどのように統合され、モデル置換を防げるかを検討してください。
• Lean形式化アーティファクトを探索し、システムが提供するセキュリティ保証の数学的基盤を監査してください。
• コミュニティがこのApache 2.0ライセンスの基盤の上に構築を進める中、ゼロ知識機械学習分野のさらなる発展を注視してください。