1/ JSTprove V2 está aquí. Esto supone una gran mejora para nuestra pila zkML, con circuitos más rápidos, capas más soportadas, mayor compatibilidad de modelos y una experiencia de desarrollador mucho mejor. Un gran paso hacia un aprendizaje automático práctico y verificable.

2/ Enviamos dos grandes optimizaciones de circuitos. Sustituimos las costosas comprobaciones de rangos por tablas de consulta y añadimos el algoritmo de Freivalds para una verificación rápida de matrices probabilísticas. Ambos reducen significativamente las restricciones y la sobrecarga de demostración.

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

4/ Para operaciones matriciales grandes, ahora usamos el algoritmo de Freivalds. En lugar de verificación en tiempo cúbico, aplicamos comprobaciones probabilísticas en tiempo cuadrático cuando corresponde, reduciendo drásticamente el coste de verificar grandes GEMMs y operaciones similares.

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

6/ JSTprove ya no asume una única entrada y salida. Ahora soportamos grafos ONNX de múltiples entradas y múltiples salidas. Esto requirió reestructuraciones profundas tanto en el segmento medio como en el backend de Rust, pero amplía enormemente la compatibilidad de modelos.

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

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

9/ El resultado: JSTprove V2 es más rápido, más barato de demostrar, más expresivo, más robusto y está listo para modelos del mundo real mucho más complejos. Esto supone un gran paso para hacer práctico el aprendizaje automático verificable en producción.