Arbitrum destaca riesgos ocultos en los modelos de...

Arbitrum está investigando un nuevo enfoque de verificación de inferencia de IA que reduce el tiempo de generación de pruebas de 15 minutos a milisegundos.

Un artículo de Offchain Labs propone verificar las inferencias del modelo de IA mediante muestreo aleatorio de rutas internas, sin volver a ejecutar cada operación.

El protocolo utiliza la misma lógica de resolución de disputas que Arbitrum One para detectar la sustitución de modelos en las API de IA.

La economía de los agentes de inteligencia artificial se enfrenta a un problema que, hasta ahora, nadie había resuelto con la suficiente rapidez como para ser útil en producción: comprobar que el modelo de IA que un proveedor dice estar ejecutando es realmente el que se está ejecutando.

Un artículo publicado en marzo de 2026 por Offchain Labs, titulado *Hacia una IA verificable con pruebas de inferencia criptográficas livianas*, propone una solución que reduce el tiempo de generación de pruebas de aproximadamente 15 minutos a milisegundos, y la lógica detrás del sistema no es ajena al ecosistema Arbitrum.

Una brecha de confianza que el mercado normalizó

El modelo de fijación de precios por token crea un incentivo económico concreto para el fraude. Servir un modelo de 7 mil millones de parámetros es más barato que servir uno de 70 mil millones de parámetros, y ejecutar una inferencia cuantificada cuesta menos que una precisión total. Si un proveedor puede redirigir una fracción de las consultas a un modelo más pequeño mientras cobra la tarifa del más grande, el beneficio aumenta con el volumen. Los investigadores de Stanford documentaron que el comportamiento de GPT-3.5 y GPT-4 cambió de manera mensurable entre marzo y junio de 2023 en las mismas tareas de evaluación. El contrato API actual no ofrece ningún mecanismo para detectar esa diferencia.

Las pruebas criptográficas existentes, del mismo tipo que las utilizadas por zk-rollups, pueden demostrar que un servidor ejecutó un cálculo correctamente sin que el cliente tuviera que repetirlo. El problema es la velocidad. Esquemas como zkLLM generan una prueba de inferencia para un modelo de 13 mil millones de parámetros en aproximadamente 15 minutos, una cifra incompatible con las API que deben responder en menos de un segundo.

El mismo mecanismo que protege a Arbitrum One

La propuesta de Offchain Labs abandona las pruebas exhaustivas y adopta el muestreo. El servidor se compromete de antemano con una huella digital de los pesos del modelo y con los valores internos generados durante una consulta específica. Luego, el cliente selecciona una ruta aleatoria hacia la salida de la red y le pide al servidor que revele solo los valores a lo largo de esa ruta. Si el servidor ejecutó un modelo diferente, los valores serán inconsistentes y la verificación fallará. La probabilidad de detección se acumula con cada consulta repetida, lo que convierte al sistema en un elemento disuasorio eficaz para los adversarios racionales.

La conexión con Arbitrum es explícita en el artículo. Los rollups optimistas operan según la misma intuición: volver a ejecutar cada paso de un cálculo largo en cada máquina es costoso, mientras que muestrear el paso en disputa es barato. El protocolo propuesto extiende esa lógica a los valores de la red neuronal, utilizando un procedimiento de bisección que reduce el desacuerdo entre dos servidores en un número logarítmico de rondas, la misma estructura de resolución de disputas que protege Arbitrum One.

Para las industrias reguladas, los equipos de gobernanza modelo y el mercado emergente de agentes autónomos, la diferencia entre una afirmación de transparencia y una afirmación verificable está empezando a tener consecuencias directas. El protocolo no requiere que los desarrolladores modifiquen sus pilas existentes; solo requiere que alguien en el sistema, ya sea el proveedor, el auditor o la plataforma, produzca una declaración verificable.