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。
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