---
title: "Anthropic FlashProve yanıtı üreten modeli zkSNARK ile kanıtlıyor"
description: "Anthropic FlashProve, bir yanıtı hangi modelin ürettiğini zkSNARK ile kanıtlıyor; kanıt üretimi ise 70-95 kat fazla GPU süresi istiyor."
image: "https://sezer.in/wp-content/uploads/2026/11/caa0e2d8-chloe-f5wzv43ls-0-unsplash-1024x724-1.jpg"
url: "https://sezer.in/haberler/anthropic-flashprove-model-dogrulama/"
date: "2026-11-06T15:01:29+03:00"
updated: "2026-11-06T15:01:29+03:00"
author: "Sezer Şanlıkan"
lang: "tr"
source: "https://sezer.in/haberler/anthropic-flashprove-model-dogrulama/"
---

# Anthropic FlashProve yanıtı üreten modeli zkSNARK ile kanıtlıyor

Anthropic FlashProve adlı açık kaynak kriptografik doğrulama sistemini GitHub'da yayımladı; sistem bir yanıtın hangi model weight'lerinden üretildiğini weight'leri açığa çıkarmadan kanıtlıyor. Sistemi şirketin Frontier Red Team ekibi geliştirdi ve zkSNARK kullanıyor. FlashProve bir araştırma prototipi ve Claude API'sinde özellik olarak yer almıyor.

## zkSNARK nedir?

zkSNARK, bir hesaplamanın doğru yapıldığını, hesaplamada kullanılan gizli bilgiyi açığa çıkarmadan kanıtlayan kısa ve etkileşimsiz bir sıfır bilgi ispatı türüdür. Kanıt küçük tutulur ve hızlı doğrulanır, üretimi ise yoğun hesap ister. Blockchain projelerinde gizli işlemler ve scaling için yaygın kullanılır. Bilinen alternatifleri arasında zkSTARK gibi farklı ispat sistemleri bulunur.

## Anthropic FlashProve neyi kanıtlıyor

Bir yapay zekâ API'sine istek attığınızda yanıtı hangi modelin ürettiğini şu an bilemiyorsunuz. Sağlayıcı trafiği daha ucuz bir modele yönlendirebilir. Araya giren bir saldırgan da yanıtı değiştirebilir. Anthropic FlashProve bu boşluğa kriptografik bir kanıtla giriyor: yanıt belirli bir weight setinden çıktıysa bunu weight'leri göstermeden ispatlıyor.

Kanıt tek başına yetmiyor. Doğrulama, modelin weight'lerine ait bir commitment ile yapılıyor ve bu commitment güvenilir bir kaynaktan gelmeli. Commitment'ı yalnızca sağlayıcı yayımlıyorsa kanıt, yanıtın sağlayıcının işaret ettiği modelden çıktığını gösterir. O modelin gerçekten ödeme yaptığınız model olup olmadığı ise ayrıca güvenmeniz gereken bir konu.

## Doğrulama ucuz, kanıt üretmek pahalı

Anthropic ölçümleri Claude ile yapmadı, Meta'nın Llama 4 Maverick modelini seçti. Model 400 milyar parametreli bir mixture-of-experts. Rakamlar şöyle:

- Tek bir Nvidia H100 üzerinde saniyede yaklaşık 110 prompt token işleniyor.
- Her kanıt yaklaşık 18,78 MB tutuyor.
- Doğrulama tek CPU thread'inde 21 saniye civarında bitiyor.
- Kanıt üretimi, vLLM ile standart inference'a göre 70 ile 95 kat arasında daha fazla GPU süresi istiyor.

Yük asimetrik dağılıyor. Doğrulayan taraf tek bir CPU thread'i ile işini görüyor, ağır hesap inference'ı çalıştıranda kalıyor. Bu maliyet bir gün API fiyatına yansırsa, her istek için kanıt istemek faturanızı aynı oranda büyütür. Token başına harcamayı izliyorsanız bu çarpan rutin trafikte savunulamaz.

Önceki açık kaynak sistemle fark büyük. VerInf, 1.000 token'lık bir kanıt için 14,3 saat harcıyordu. Kanıt 93,6 GB çıkıyor ve doğrulaması neredeyse bir gün sürüyordu.

## Production'a taşımayı engelleyen sınırlar

- Context 1.024 token ile sınırlı. Uzun system prompt veya RAG bağlamı taşıyan istekler bu sınıra hemen dayanır.
- FlashProve integer tabanlı inference ve greedy decoding kullanıyor. Production modelleri floating-point hesap ve sampling ile çalışıyor; kanıtlanan hesap, API'de dönen hesapla aynı değil.
- Kanıtlar istek tamamlandıktan sonra batch halinde üretiliyor. Streaming yanıtı token geldikçe doğrulayamazsınız.
- GitHub'daki repo bakım görmüyor ve katkı kabul etmiyor. Üzerine bir sistem kurarsanız fork'u siz taşırsınız.

Claude API'sine ne zaman geleceğine dair bir işaret yok. Gelip gelmeyeceği de belli değil.

## Formal doğrulamanın kapsadığı parça

Anthropic, geliştirmenin büyük kısmını ve kanıtları hızlandıran optimizasyonları Claude'a bağlıyor. Anthropic, bu değişikliklerin güvenlik garantisini bozmadığını Lean ile kontrol etti. Lean ile ispatlanan özellikler üç tane: geçerli kanıt kabul ediliyor, sahte kanıt çok yüksek olasılıkla reddediliyor, weight'ler yanıtların gösterdiğinden fazlası açığa çıkmıyor.

Repoda iki verifier var. C++ olanı hızlı, Anthropic'in karşılaştırma testlerinden geçmiş, fakat formal olarak doğrulanmamış. GPU prover da aynı durumda. Matematiksel garanti yalnızca Lean verifier'da. Denemelerinizde hız için C++ verifier'ı, güvence gerektiren sonuçlar için Lean sürümünü kullanın.

Yapay zekâ ile yazılmış kriptografik kodun güvenlik iddiasını formal ispatla bağlamak, kod incelemesi tartışmasına da bir örnek ekliyor. Test geçmesi ile ispatlanmış olmak arasındaki farkı repo kendisi gösteriyor.

## Şu an işe yarayan kullanım

Kanıtlar zaten sonradan ve batch halinde üretildiği için her isteği kanıtlatmak yerine örnekleme mantığı daha uygun duruyor. Self-hosted bir modelde ele geçirilmiş inference'ı yakalamak istiyorsanız, rastgele seçilmiş küçük bir istek kümesini periyodik denetime sokmak 70-95 katlık maliyeti tüm trafiğe yaymaz. 1.024 token sınırı ve integer inference şartı yüzünden bu da şimdilik deney düzeyinde kalır.

H100 erişiminiz varsa Anthropic FlashProve benchmark'ını tekrarlayarak kanıt üretim süresini kendi model boyutunuzla ölçebilirsiniz. Üçüncü taraf bir LLM sağlayıcısını değerlendiriyorsanız tedarikçi sorularınıza "hangi modelin yanıt verdiğini nasıl kanıtlıyorsunuz ve weight commitment'ını kim yayımlıyor" maddesini ekleyin.