1/ JSTprove V2 ya está aquí. Esta es una actualización importante de nuestra pila zkML con circuitos más rápidos, más capas soportadas, mayor compatibilidad de modelos y una experiencia de desarrollo mucho mejor. Un gran paso hacia un ML práctico y verificable.

2/ Enviamos dos optimizaciones importantes de circuitos. Reemplazamos las costosas verificaciones de rango por tablas de búsqueda y añadimos el algoritmo de Freivalds para una verificación matricial probabilística rápida. Ambos reducen significativamente las restricciones y la sobrecarga de prueba.

3/ Por qué esto es importante: Las comprobaciones de rango aparecen en todas partes en los circuitos de ML (ReLU, reescalado, max/min, etc.) y son muy costosas. Reemplazarlas con tablas de búsqueda ahorra restricciones en casi todos los modelos y proporciona ganancias de rendimiento inmediatas.

4/ Para operaciones de matrices grandes, ahora utilizamos el algoritmo de Freivalds. En lugar de una verificación de tiempo cúbico, aplicamos verificaciones probabilísticas de tiempo cuadrático donde sea aplicable, reduciendo drásticamente el costo de verificar grandes GEMMs y operaciones similares.

5/ También ampliamos el soporte para capas ONNX. JSTprove ahora soporta Add, Sub, Mul, Max, Min, Clip, MaxPool 4D (por ahora) y BatchNorm, desbloqueando una clase mucho más amplia de modelos del mundo real.

6/ JSTprove ya no asume una única entrada y salida. Ahora soportamos gráficos ONNX de múltiples entradas y múltiples salidas. Esto requirió profundas refactorizaciones en el medio y en el backend de Rust, pero expande masivamente la compatibilidad del modelo.

7/ También reconstruimos el marco de pruebas. Ahora puedes probar capas individuales, ejecutar pruebas de todo el pipeline (cuantización → circuito → testigo → probar → verificar), hacer fuzz con formas y parámetros, y obtener errores adecuados y útiles para modelos no soportados.

8/ Agregar capas como BatchNorm nos obligó a limpiar y modularizar grandes partes del backend. Esto hace que futuras adiciones de capas y optimizaciones sean mucho más rápidas, seguras y fáciles de razonar.

9/ El resultado: JSTprove V2 es más rápido, más barato de probar, más expresivo, más robusto y está listo para modelos del mundo real mucho más complejos. Este es un gran paso hacia la práctica de un aprendizaje automático verificable en producción.