1/ JSTprove V2 er her. Dette er en stor oppgradering av vår zkML-stack med raskere kretser, flere støttede lag, bredere modellkompatibilitet og en mye bedre utvikleropplevelse. Et stort steg mot praktisk, verifiserbar ML.

2/ Vi lanserte to store kretsoptimaliseringer. Vi erstattet dyre intervallsjekker med oppslagstabeller, og la til Freivalds' algoritme for rask probabilistisk matriseverifisering. Begge reduserer begrensninger og beviskostnader betydelig.

3/ Hvorfor dette er viktig: Range-sjekker dukker opp overalt i ML-kretser (ReLU, rescaling, max/min, osv.) og de er veldig dyre. Å erstatte dem med oppslagstabeller sparer begrensninger på nesten alle modeller og gir umiddelbare ytelsesforbedringer.

4/ For store matriseoperasjoner bruker vi nå Freivalds' algoritme. I stedet for kubisk tidsverifisering anvender vi kvadratisk tid probabilistiske sjekker der det er aktuelt, noe som dramatisk reduserer kostnadene ved å verifisere store GEMM-er og lignende operasjoner.

5/ Vi utvidet også støtte for ONNX-laget. JSTprove støtter nå Add, Sub, Mul, Max, Min, Clip, 4D MaxPool (foreløpig) og BatchNorm, og låser opp en mye bredere klasse av virkelige modeller.

6/ JSTprove forutsetter ikke lenger én enkelt inngang og utgang. Vi støtter nå multi-input og multi-output ONNX-grafer. Dette krevde dype refaktoreringer på tvers av midtenden og Rust-backend, men utvider modellkompatibiliteten betydelig.

7/ Vi bygde også opp testrammen på nytt. Du kan nå teste individuelle lag, kjøre fullstendige pipeline-tester (kvantisering → krets → vitne → bevise → verifisere), fuzz-former og parametere, og få riktige, hjelpsomme feil for ikke-støttede modeller.

8/ Å legge til lag som BatchNorm tvang oss til å rydde opp og modulære store deler av backend. Dette gjør fremtidige lagtillegg og optimaliseringer mye raskere, tryggere og enklere å resonnere med.

9/ Resultatet: JSTprove V2 er raskere, billigere å teste, mer uttrykksfull, mer robust og klar for mye mer komplekse virkelige modeller. Dette er et stort steg mot å gjøre verifiserbar maskinlæring praktisk i produksjon.