İçeriğe geç
Pazar, 15 Kasım 2026Yapay zekâ · sade Türkçe · denenmiş@yapaytu
YAPAYTU

Anthropic, model kimliğini doğrulayan FlashProve'u sundu

Anthropic, yanıtın hangi modelden geldiğini doğrulayan FlashProve prototipini açtı. Araştırma, model ağırlıklarını paylaşmadan denetim yapmayı hedefliyor.

Yapay TU Editör · 4 dk okuma
Anthropic'ten model kimliği kanıtı
Kısa cevap

Anthropic, 3 Kasım 2026'da FlashProve adlı açık kaynak araştırma prototipini tanıttı. Sistem, bir yanıtın belirli model ağırlıklarıyla üretildiğini kriptografik olarak doğrulamayı amaçlıyor; modelin gizli ağırlıklarını kullanıcıya açıklamıyor.

Anthropic, 3 Kasım'da bir yapay zekâ yanıtını belirli bir modele bağlayan FlashProve araştırma prototipini yayımladı. Amaç, kullanıcının seçtiği modelin gerçekten çalıştırılıp çalıştırılmadığını denetleyebilmesi. Aracı servis üzerinden model kullanan geliştiriciler, bu yöntemle ekranda yazan model adını kontrol edebilecek.

FlashProve hangi sorunu çözmeye çalışıyor?

Anthropic'in 3 Kasım tarihli araştırma duyurusuna göre FlashProve, sağlayıcının önceden belirttiği model ile üretilen yanıt arasında doğrulanabilir bir bağ kuruyor. Yanıtın üslubuna bakarak model tahmin etmek bu bağı sağlayamıyor. Araştırmacılar, aracı bir servisin maliyet nedeniyle başka model çalıştırması veya yanıt akışına müdahale edilmesi gibi durumları örnek veriyor.

Sistem iki aşamalı çalışıyor. Sağlayıcı önce model ağırlıkları için kısa bir kriptografik taahhüt yayımlıyor. Ağırlıklar, modelin davranışını belirleyen sayısal değerler. Bu taahhüt, daha sonra yapılacak kontrollerde hangi ağırlıkların esas alınacağını sabitliyor; değerlerin kendisini açığa çıkarmıyor.

Sonraki aşamada sağlayıcı, verilen prompt ve çıktı için bir kanıt dosyası oluşturuyor. Kullanıcı bu dosyayı, başlangıçtaki taahhütle birlikte kontrol edebiliyor. Böylece denetim için modelin tamamını indirmek veya aynı hesaplamayı kendi bilgisayarında yeniden yapmak gerekmiyor. Duyurudaki yöntem model ağırlıklarını gizli tutarken model mimarisini gizlemiyor.

Anthropic bu amaçla zkSNARK adı verilen, hesaplamanın doğru yürütüldüğünü gizli verileri açıklamadan kanıtlamaya yarayan kriptografik bir yöntem kullanıyor. Buradaki doğruluk, belirtilen modelin belirtilen çıktıyı üretmesiyle sınırlı. Modelin cevabındaki tarih, isim veya açıklamanın gerçekliğini kontrol etmek hâlâ ayrı bir iş; yapay zekânın neden bilgi uydurduğunu anlatan rehberimiz bu farkı açıklıyor.

Deneyde hangi sonuçlar elde edildi?

Anthropic, FlashProve'u Meta'nın Llama 4 Maverick modelinin 4 bitlik ağırlıkları üzerinde değerlendirdi. Duyuruda 400 milyar parametreli model için tek H100 grafik işlemcisiyle saniyede yaklaşık 110 token düzeyinde kanıt üretimi bildiriliyor. Token, modelin metni işlerken kullandığı parçaların adı. Bu sayı, sohbet ekranındaki yanıt üretim hızı olarak okunmamalı; araştırmanın ölçtüğü işlem kanıt hazırlama işi.

Deneyde her istek 1.024 tokenlık bir pencere kullanıyor ve kanıt dosyası yaklaşık 19 MB tutuyor. Kullanıcı tarafında grafik işlemcisi gerekmiyor. Anthropic'in ölçümünde kanıtı kontrol etmek 24 işlemci iş parçacığıyla 17 saniye, tek iş parçacığıyla 21 saniye sürüyor. Bu süreler araştırmadaki donanım ve deney koşulları için ölçülmüş.

Kanıt üretiminin hesaplama yükü de yüksek. Anthropic, vLLM adlı model çalıştırma yazılımıyla yaptığı karşılaştırmada yaklaşık 70 ila 95 kat grafik işlemcisi zamanı gerektiğini belirtiyor. Karşılaştırmanın vLLM tarafında modelin FP8 (8 bit kayan noktalı sayı) sürümü kullanılıyor. Bu ölçüm, kanıt eklemenin normal model çalıştırmaya göre ne kadar ek hesaplama gerektirdiğini gösteriyor.

Yöntem, tamamlanmış metin üzerinden sonradan kanıt hazırlıyor. Anthropic bunun yeniden hesaplama ihtiyacı ve doğrulama sonucunu bekleme süresi gibi bedellerini de açıklıyor. Yanıt gelirken her parçanın anında doğrulandığı bir sohbet deneyimi duyurulmuyor.

Kod açık, kullanım sınırları neler?

Anthropic, FlashProve kodunu ve teknik belgelerini Apache 2.0 lisansıyla yayımladı; sürümün araştırma prototipi olduğunu açıkça belirtiyor. Pakette hızlı bir C++ doğrulayıcısı ve Lean adlı biçimsel doğrulama diliyle hazırlanmış daha yavaş bir doğrulayıcı bulunuyor. Model ağırlıkları bu pakete dahil edilmiyor; Llama 4 ağırlıklarının ayrıca kendi lisansı altında edinilmesi gerekiyor.

Doğrulanan hesaplama, tam sayı işlemleri kullanan belirli bir model sürümünü ve her adımda en olası parçayı seçen üretim yöntemini kapsıyor. Farklı sayısal hesaplama veya rastgele örnekleme kullanan bir çalıştırmanın çıktısı aynı kanıtla örtüşmeyebiliyor. Sistem ayrıca şimdilik en fazla 1.024 tokenlık bağlam üzerinde çalışıyor. Uzun sohbetleri bütünüyle kapsamak araştırmanın açık kalan işleri arasında.

Hızlı C++ kodunun, Lean ile tanımlanan protokolle tam eşleştiğine ilişkin biçimsel garanti verilmiyor. Anthropic, testlerde iki doğrulayıcının aynı sonuçları verdiğini söylüyor ancak bunu matematiksel garantiyle eş tutmuyor.

Bizim yorumumuz: aracı servise sorulacak daha iyi bir soru

Bizce aracı servis kullanan geliştiriciler, sağlayıcılarına model kimliğini nasıl doğrulayabileceklerini sormalı. Bir uygulama başka bir servis üzerinden yanıt alıyorsa, sağlayıcının yazdığı model adıyla yetinmek zorunda kalabilir. Araştırmanın önerdiği kanıt dosyası, bu beyanı kontrol edilebilir hâle getirmeyi amaçlıyor. Kullanıcının her modeli kendi donanımında çalıştırmasını gerektirmemesi de bu kullanım için anlamlı.

Bununla birlikte bugün bir projeyi FlashProve zorunluluğuna göre yeniden tasarlamayı önermiyoruz. Kısa bağlam sınırı ve kanıt üretiminin hesaplama yükü, günlük uygulamaya geçmeden önce çözülmesi gereken somut sorunlar. Küçük bir geliştirme ekibiysen önce kullandığın sağlayıcının model değişikliklerini nasıl bildirdiğini sorabilirsin. Böylece bugün hangi kayıtları alabileceğini öğrenirsin; ileride doğrulama desteği sunulursa karşılaştıracağın bir başlangıç noktası oluşur.

Türkiye'den erişim koşulları ve Türkçe desteği duyuruda ayrıca açıklanmadı. FlashProve yeni bir sohbet modeli sunmadığı için Türkçe yanıt kalitesine ilişkin bir sonuç da vermiyor. Türkçe içerik üreten bir uygulamada model kimliği doğrulansa bile dil kalitesini ve kaynak doğruluğunu ayrıca değerlendirmeni öneririz.

Bir hizmet sağlayıcısına göndermek için şu kısa soru kullanılabilir:

text
Yanıtlarımda kullanılan modelin kimliğini nasıl doğrulayabilirim?
Model değiştirildiğinde hangi kayıtları ve bildirimleri sağlıyorsunuz?

Teknik deneme planlıyorsan önce resmî duyurunun sınırlamalar bölümünü oku. Kullandığın bağlam uzunluğunun ve çıktı üretim yönteminin prototipin desteklediği koşullarla uyuşup uyuşmadığını kontrol et.

Bu yazı sponsorlu değildir.

Sık sorulanlar

Anthropic FlashProve ne işe yarıyor?

FlashProve, belirli bir yanıtın sağlayıcının önceden taahhüt ettiği model ağırlıklarıyla üretildiğine ilişkin kriptografik kanıt hazırlıyor. Kullanıcı, model ağırlıklarını edinmeden bu kanıtı kontrol edebiliyor.

FlashProve yapay zekâ yanıtının doğru olduğunu kanıtlar mı?

Kanıt, belirli modelin verilen girdide belirli çıktıyı üretmesiyle ilgili. Yanıtta anlatılan bilgilerin gerçek dünyada doğru olduğunu ayrıca doğrulamak gerekiyor.

FlashProve bugün Claude'da kullanılabiliyor mu?

Duyuru, Claude'a eklenmiş bir kullanıcı özelliği sunmuyor. Anthropic, Llama 4 Maverick üzerinde değerlendirdiği araştırma prototipinin kodunu ve teknik belgelerini yayımladı.

#anthropic#flashprove#guvenlik#acik-kaynak
E-bülten

Haftada bir e-posta. Sadece işe yarayanlar.

Haftanın en iyi yapay zekâ araçları ve yeni rehberler. İstediğin an tek tıkla çık.

Adresine bir onay e-postası gelir. Aydınlatma metni
Sıradaki yazı Anthropic, açık kaynak projelere ücretsiz yapay zekâ güvenlik taraması başlattı

Videolarda bu konuTümü

Bunları da okuyun