FlashProve AI API-গুলোর গুরুত্বপূর্ণ বিশ্বাসের ফাঁকটি সমাধান করে, ক্রিপ্টোগ্রাফিকভাবে প্রমাণ করে যে উত্তরগুলো নির্দিষ্ট, কমিটেড মডেল ওজন থেকে উৎপন্ন হয়েছে, মডেলগুলোকে প্রকাশ না করে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
Anthropic’s Frontier Red Team has released FlashProve, an open-source research prototype for provable inference. FlashProve is a zkSNARK system from Anthropic that proves a reply came from a committed model. The proof reveals nothing about the model weights. On Llama 4 Maverick, a 400B mixture-of-experts model, it proves about 110 tokens/second on 1 H100. For developers, this targets a real gap: today you cannot check which model actually answered your API call. TL;DR Size: Proves a 400B MoE model (~17B active per token); context capped at 1,024 tokens per request. Runs on: Prover needs 1 H100 80 GB, 24 CPU cores and ~290 GB host RAM. Verifier runs on a CPU, no GPU. Performance: Orders of magnitude faster than prior open-source zkML systems on the same 400B model. Best: 110 tokens/second proving on 1 H100, with 18.78 MB proofs checked in 17 seconds. Worst: Proving costs ~70 to 95x the GPU time of plain vLLM inference. What problem does provable inference solve? A user querying a model cannot verify which model produced the response. A routing service could swap in a cheaper model. An attacker could tamper with the token stream. Judging from output quality alone is unreliable. Anthropic lists 4 use cases: Regulators could confirm hardware serves inference, supporting AI pacing rules. Labs could detect tampered inference servers. Users could verify text provenance. Regulators could enforce serving of approved models only. How does FlashProve work? FlashProve has a prover (the model provider) and a verifier (the user). It runs in 2 phases: Offline: The provider publishes a commitment, a short fingerprint binding one exact set of weights. This takes about 39 minutes and covers about 16 million requests. Online: For each request, the GPU produces a proof that the committed model produced those tokens. The proof system compiles an interactive oracle proof into a cryptographic proof using hash functions. Anthropic says this offers post-quantum securit
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
NVIDIA-এর অপ্টিমাইজেশনগুলি সাশ্রয়ী ডেস্কটপ হার্ডওয়্যারে MoE ইনফারেন্সের গতি বাড়িয়ে দেয়, যা ডেভেলপারদের বড় ভাষা মডেলগুলোকে দ্রুত চালাতে সক্ষম করে, সঠিকতা ত্যাগ না করে।
Soniox STT v6 এজেন্টের নিজস্ব কণ্ঠ ফিল্টার করে এবং সংক্ষিপ্ত কলার উত্তর সনাক্ত করে ভয়েস এজেন্টের পারফরম্যান্স উন্নত করে, ৬০টির বেশি ভাষায় নির্ভুলতা বাড়ায়।
জটিল ভাগ করা গবেষণা সুবিধাগুলোর সমন্বয় করা একটি বড় বাধা হয়ে দাঁড়িয়েছে, যা ব্যবহারকারীদের সঠিক আন্তঃবিষয়ক ক্ষমতার সাথে দক্ষভাবে সংযুক্ত করতে একীভূত ব্যবস্থাকে অপরিহার্য করে তুলছে।