1/ JSTprove V2 ist da. Dies ist ein großes Upgrade für unseren zkML-Stack mit schnelleren Schaltkreisen, mehr unterstützten Schichten, breiterer Modellkompatibilität und einer viel besseren Entwicklererfahrung. Ein großer Schritt in Richtung praktischer, verifizierbarer ML.

2/ Wir haben zwei wichtige Schaltungsoptimierungen implementiert. Wir haben teure Bereichsprüfungen durch Lookup-Tabellen ersetzt und den Freivalds-Algorithmus für eine schnelle probabilistische Matrixverifizierung hinzugefügt. Beide reduzieren erheblich die Einschränkungen und den Nachweisaufwand.

3/ Warum das wichtig ist: Bereichsprüfungen treten überall in ML-Schaltungen auf (ReLU, Reskalierung, max/min usw.) und sie sind sehr kostspielig. Sie durch Nachschlagetabellen zu ersetzen, spart Einschränkungen in fast jedem Modell und bringt sofortige Leistungsgewinne.

4/ Für große Matrixoperationen verwenden wir jetzt den Freivalds-Algorithmus. Anstelle der kubischen Verifizierung wenden wir quadratische probabilistische Überprüfungen an, wo dies möglich ist, was die Kosten für die Verifizierung großer GEMMs und ähnlicher Operationen drastisch senkt.

5/ Wir haben auch die Unterstützung für ONNX-Schichten erweitert. JSTprove unterstützt jetzt Add, Sub, Mul, Max, Min, Clip, 4D MaxPool (vorerst) und BatchNorm, was eine viel breitere Klasse von realen Modellen freischaltet.

6/ JSTprove geht nicht mehr von einem einzelnen Eingangs- und Ausgangswert aus. Wir unterstützen jetzt Multi-Input- und Multi-Output-ONNX-Grafiken. Dies erforderte tiefgreifende Umstrukturierungen im Middle-End und im Rust-Backend, erweitert jedoch massiv die Modellkompatibilität.

7/ Wir haben auch das Testframework neu aufgebaut. Sie können jetzt einzelne Schichten testen, vollständige Pipeline-Tests durchführen (Quantisierung → Schaltung → Zeuge → beweisen → verifizieren), Formen und Parameter fuzzing und erhalten hilfreiche Fehlermeldungen für nicht unterstützte Modelle.

8/ Das Hinzufügen von Schichten wie BatchNorm hat uns gezwungen, große Teile des Backends aufzuräumen und zu modularisieren. Das macht zukünftige Schichtzusätze und Optimierungen viel schneller, sicherer und einfacher nachvollziehbar.

9/ Das Ergebnis: JSTprove V2 ist schneller, kostengünstiger in der Nachweisführung, ausdrucksstärker, robuster und bereit für viel komplexere reale Modelle. Dies ist ein großer Schritt in Richtung der praktischen Anwendbarkeit von verifizierbarem maschinellem Lernen in der Produktion.