Verus项目中via_fn证明函数中assert by {}的行为分析
Verus是一种用于Rust的形式化验证工具,它允许开发者编写可验证的正确性证明。最近在Verus项目中发现了一个关于#[via_fn]证明函数中assert(...) by {}行为的有趣现象,这涉及到验证系统的健全性(soundness)问题。
问题现象
在Verus的#[via_fn]证明函数中,当使用assert(false) by {}这样的断言时,验证过程会意外地通过,而不会报告任何错误。这与常规情况下的行为不符,因为false显然是一个不可满足的条件。
示例代码如下:
#[via_fn]
proof fn test_decr(i: nat) {
assert(false) by {};
}
正常情况下,这样的断言应该导致验证失败,但实际上验证器会报告"2 verified, 0 errors",这意味着验证过程被意外地接受了。
技术背景
Verus中的#[via_fn]属性用于指定一个证明函数作为另一个规格函数的终止性证明。assert(...) by {}语法通常用于提供一个空证明块,表示该断言不需要额外证明。
在Verus的实现中,函数体在转换为中间表示时会创建一个函数上下文(fun_ctx),其中包含一个checking_spec_preconditions标志。当前实现中,对于via_fn函数,这个标志被硬编码设置为true。
问题根源
问题的核心在于checking_spec_preconditions标志的设置。当这个标志为true时,验证器会跳过某些验证步骤,导致assert(...) by {}实际上等同于调用了admit()(即无条件接受断言)。
在AST到SST(结构化语法树)的转换过程中,via_fn证明函数的上下文被创建时强制设置了checking_spec_preconditions=true。这种设置原本可能是为了处理规格函数的前置条件检查,但意外影响了证明函数内部的断言验证行为。
影响分析
这种行为的直接影响是可能导致验证系统的不健全(unsound),因为开发者可能无意中使用了看似无害的assert(...) by {}语法,但实际上却跳过了重要的验证步骤。在终止性证明等关键验证场景中,这可能导致错误的验证结果。
解决方案
修复此问题需要仔细考虑checking_spec_preconditions标志在via_fn上下文中的正确设置。可能的解决方案包括:
- 对于
via_fn证明函数,将checking_spec_preconditions设置为false - 修改验证逻辑,确保即使
checking_spec_preconditions为true,assert(...) by {}也不会被无条件接受 - 引入专门的上下文标志来处理
via_fn函数的特殊情况
最佳实践建议
在问题修复前,开发者在使用#[via_fn]时应当:
- 避免在证明函数中使用
assert(...) by {}语法 - 对于关键断言,总是提供完整的证明块
- 特别注意终止性证明中的断言验证结果
Verus团队正在积极解决此问题,未来的版本将会提供更健全的行为。开发者应关注更新日志,了解此问题的修复情况。
结论
形式化验证工具的正确性至关重要。Verus项目中发现的这个边缘案例提醒我们,即使是精心设计的验证系统也可能存在微妙的健全性问题。开发者应当理解工具的行为特性,并在关键证明中采用防御性的验证策略。Verus团队对此问题的响应展示了他们对验证系统健全性的高度重视。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00