1/ JSTprove V2 est là. C'est une mise à jour majeure de notre pile zkML avec des circuits plus rapides, plus de couches supportées, une compatibilité de modèle élargie et une expérience développeur bien meilleure. Un grand pas vers un ML pratique et vérifiable.

2/ Nous avons expédié deux optimisations majeures de circuit. Nous avons remplacé les vérifications de plage coûteuses par des tables de consultation et ajouté l'algorithme de Freivalds pour une vérification matricielle probabiliste rapide. Les deux réduisent considérablement les contraintes et la surcharge de preuve.

3/ Pourquoi cela importe : Les vérifications de plage apparaissent partout dans les circuits ML (ReLU, mise à l'échelle, max/min, etc.) et elles sont très coûteuses. Les remplacer par des tables de consultation permet d'économiser des contraintes dans presque tous les modèles et offre des gains de performance immédiats.

4/ Pour les grandes opérations matricielles, nous utilisons désormais l'algorithme de Freivalds. Au lieu d'une vérification en temps cubique, nous appliquons des vérifications probabilistes en temps quadratique lorsque cela est applicable, réduisant considérablement le coût de vérification des grandes GEMM et des opérations similaires.

5/ Nous avons également élargi le support des couches ONNX. JSTprove prend désormais en charge Add, Sub, Mul, Max, Min, Clip, MaxPool 4D (pour l'instant), et BatchNorm, débloquant une classe de modèles du monde réel beaucoup plus large.

6/ JSTprove ne suppose plus une seule entrée et sortie. Nous supportons désormais les graphes ONNX à entrées et sorties multiples. Cela a nécessité des refontes profondes dans le middle-end et le backend Rust, mais cela élargit considérablement la compatibilité des modèles.

7/ Nous avons également reconstruit le cadre de test. Vous pouvez désormais tester des couches individuelles, exécuter des tests de pipeline complets (quantification → circuit → témoin → prouver → vérifier), tester des formes et des paramètres, et obtenir des erreurs appropriées et utiles pour les modèles non pris en charge.

8/ L'ajout de couches comme BatchNorm nous a forcés à nettoyer et à modulariser de grandes parties du backend. Cela rend l'ajout de nouvelles couches et les optimisations futures beaucoup plus rapides, plus sûres et plus faciles à comprendre.

9/ Le résultat : JSTprove V2 est plus rapide, moins cher à prouver, plus expressif, plus robuste et prêt pour des modèles du monde réel beaucoup plus complexes. C'est un grand pas vers la rendre l'apprentissage automatique vérifiable pratique en production.