cvc5 1.2.1版本发布:SMT求解器的安全性与证明能力提升
cvc5是一款开源的SMT(Satisfiability Modulo Theories)求解器,它能够处理一阶逻辑公式的可满足性问题,并支持多种理论组合。作为自动化推理领域的重要工具,cvc5广泛应用于形式化验证、程序分析、人工智能等领域。最新发布的1.2.1版本在证明系统、安全性选项和语言解析等方面带来了多项改进。
证明系统增强
cvc5 1.2.1版本对CPC证明签名进行了更新,使得Ethos 0.1.1版本能够验证cvc5生成的证明。这一改进增强了证明系统的兼容性和可靠性,为形式化验证提供了更坚实的基础。
此外,新版本显著扩展了证明覆盖范围,特别是在启用--safe-options选项时允许的理论范围内。这意味着用户在使用安全选项时,能够获得更全面的证明支持,增强了系统的可信度。
安全性选项优化
1.2.1版本对--safe-options选项进行了重要调整,现在该选项会默认禁用实验性理论及其扩展。这些实验性理论包括:
- 包(bag)理论
- 有限域理论
- 分离逻辑理论
- 高阶等式理论扩展
- 算术理论中的超越函数、整数与运算和幂函数扩展
- 数组理论中的常量数组扩展
值得注意的是,这些理论在默认情况下仍然是启用的。如果用户确实需要使用这些实验性理论,可以在设置--safe-options之前,通过特定选项(如--arith-exp)来启用它们。
API与功能增强
新版本在API层面增加了SymbolManager::getNamedTerms()方法,允许用户检索通过SMT-LIB属性:named命名的术语集合。这一功能增强了符号管理的灵活性,便于用户跟踪和操作特定术语。
在解析方面,新增了--parsing-mode选项,提供了比默认模式更严格或更宽松的解析配置。原有的--strict-parsing选项现在作为--parsing-mode=strict的别名存在。在宽松解析模式下(--parsing-mode=lenient),系统能够解析以.或@开头的符号,这些符号通常用于内部新引入的符号表示。
其他重要改进
1.2.1版本修复了set.filter求解器中的一个正确性缺陷,确保了该操作的语义准确性。在输出方面,当使用-o pre-asserts或-o post-asserts标签打印时,系统现在会确保声明以确定性顺序输出,提高了结果的可预测性。
此外,cvc5将内置的CaDiCaL SAT求解器升级到了2.0.0版本,这一更新可能会带来性能上的提升和功能上的改进。
总结
cvc5 1.2.1版本通过增强证明系统、优化安全选项、扩展API功能和改进解析能力,进一步提升了这一SMT求解器的可靠性和实用性。特别是对实验性理论的明确划分和安全选项的调整,使得用户能够更清晰地控制系统的行为,在保证安全性的同时不牺牲灵活性。这些改进使得cvc5在形式化验证和相关领域的应用中更加值得信赖。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00