NEAR cible la sécurité des protocoles après une génération de preuves AI de 112 $

Le protocole NEAR a exposé des plans pour appliquer une vérification formelle assistée par l'IA à son protocole et à ses contrats intelligents principaux après avoir rapporté 672 problèmes mathématiques résolus à un coût de modèle au moment de la soumission de 111,85 $.

Résumé

• NEAR prévoit d'appliquer une vérification formelle assistée par l'IA à son protocole et à ses contrats intelligents principaux.
• NEAR AI a rapporté avoir résolu 672 problèmes PutnamBench à un coût de modèle au moment de la soumission de 111,85 $.
• La vérification de production nécessite des modèles logiciels précis, des exigences définies et des preuves couvrant l'implémentation déployée.
• La vérification formelle complète les tests et les revues de code, avec des garanties limitées aux propriétés et hypothèses spécifiées.

Le protocole NEAR a déclaré dans une annonce du 16 octobre que sa recherche vise à réduire le travail spécialisé et les coûts informatiques impliqués dans la preuve que le logiciel suit des règles définies.

La vérification formelle prouve que le logiciel suit des règles définies.

Notre objectif est de le rendre abordable pour plus de développeurs. Les progrès de NEAR AI dans la génération de preuves automatisées nous rapprochent.

Prochainement : l'appliquer au protocole NEAR et aux contrats intelligents principaux. https://t.co/MqFxz4B166
--- Protocole NEAR (@NEARProtocol) 19 octobre 2026

L'application prévue couvre le protocole du réseau et les contrats principaux, ainsi que des outils pour les développeurs de l'écosystème. NEAR a décrit la vérification de production comme un objectif, tandis que son travail de référence achevé concerne la génération de preuves mathématiques automatisées.

NEAR prévoit de déplacer la génération de preuves dans des logiciels de production

Selon l'annonce de NEAR, l'application de la recherche à des logiciels en cours d'exécution implique trois étapes. Les développeurs doivent représenter un programme mathématiquement, définir les propriétés qu'il doit satisfaire et construire des preuves montrant que ces propriétés sont respectées.

Les résultats récents des benchmarks de NEAR AI démontrent des progrès sur la troisième étape. L'annonce indique que le travail de production nécessite encore des modèles précis du comportement logiciel et une connexion claire entre les preuves et l'implémentation sur laquelle les utilisateurs comptent.

Dans son explication, NEAR distingue une preuve couvrant une règle comptable particulière d'une garantie que l'ensemble d'une application est sécurisée. Un contrat pourrait préserver des soldes lors des transferts tout en nécessitant une preuve distincte que seuls les comptes autorisés peuvent les initier.

Le co-fondateur de NEAR, Illia Polosukhin, a lié la recherche aux risques liés aux logiciels générés par l'IA et aux outils qui aident les attaquants à identifier des faiblesses.

"L'avenir de l'IA et du code généré par l'IA est passionnant - mais seulement une fois que nous aurons atteint des garanties vérifiables et mathématiques de son comportement."

L'annonce reproduit la déclaration de l'écriture de Polosukhin sur la sécurité logicielle. NEAR affirme que la vérification formelle devrait compléter les tests, les revues de code et les pratiques de sécurité opérationnelle.

Le résultat de 111,85 $ mesure les preuves mathématiques

L'annonce de NEAR rapporte que son agent IA a résolu 672 problèmes Lean de PutnamBench, un benchmark basé sur la compétition de mathématiques de premier cycle de Putnam. Le coût moyen rapporté était d'environ 0,17 $ par problème aux prix du modèle utilisés pour la soumission.

Le dépôt public du projet décrit le résultat comme 670 problèmes en amont plus des versions corrigées de deux problèmes avec des formalismes défectueux. NEAR indique que les dépenses rapportées excluent le coût total de développement du système et n'estime pas le prix de vérification d'un contrat de production.

Dans le dépôt, l'équipe rapporte que la répétition de la même utilisation aux prix hors pointe de DeepSeek listés ultérieurement coûterait 331 $. Sa méthodologie inclut des tentatives infructueuses, bien que les auteurs identifient une expérience parallèle distincte utilisant Kimi qu'ils ont exclue du calcul des coûts.

Le dépôt décrit des vérifications contre des preuves inachevées et des modifications de l'énoncé mathématique à prouver. Il rapporte que la plus longue exécution a duré plus de trois jours.

Aux côtés de PutnamBench, NEAR annonce que son équipe a atteint la première place en termes de résolutions totales sur le classement de formalisation Lean Eval v1. L'annonce précise que cette mesure de classement la distingue des premières résolutions et des résolutions uniques.

Selon NEAR, les benchmarks mathématiques exercent une capacité nécessaire pour la vérification des logiciels, car les développeurs traduisent les exigences logicielles en déclarations mathématiques. L'entreprise sépare ces résultats du travail de preuve des propriétés du code déployé.

Les preuves formelles dépendent des règles choisies par les développeurs

Dans l'exemple de transfert de NEAR, un test conventionnel vérifie une transaction sélectionnée, comme le transfert de cinq jetons entre deux comptes. Une preuve peut établir que chaque transfert réussi couvert par le modèle mathématique préserve le solde combiné des comptes.

L'annonce explique que les développeurs choisissent d'abord une exigence, expriment le comportement logiciel pertinent mathématiquement, puis soumettent une preuve proposée à un vérificateur. La garantie résultante dépend des définitions et des hypothèses utilisées.

L'approche de NEAR utilise Lean, un langage de programmation open-source et un assistant de preuve. Un agent IA peut proposer une preuve, exécuter Lean, inspecter ses retours et réviser la tentative, tandis que le noyau de Lean vérifie si la preuve suit ses règles logiques.

Une tentative infructueuse n'identifie pas nécessairement un défaut logiciel, selon NEAR. L'exigence peut être incorrecte, l'implémentation peut la violer, ou l'agent peut échouer à trouver une preuve valide.

La vérification formelle a déjà des applications documentées au sein de l'écosystème NEAR. L'évaluation de Certora du 30 mars sur Templar, un protocole de prêt déployé sur NEAR, décrit la révision manuelle de ses contrats Rust et la spécification formelle et la vérification de son contrat de marché. La page d'évaluation de Certora identifie les propriétés prouvées et les problèmes découverts comme sujets du rapport complet.

D'autres équipes blockchain ont poursuivi la vérification assistée par IA

En mai, Aptos Labs a décrit un soutien pour la vérification formelle assistée par IA impliquant le dispatch dynamique dans les contrats Move. Son flux de travail déclaré utilise des spécifications générées par IA avec Move Prover, selon la couverture de l'annonce.

Le co-fondateur d'Ethereum, Vitalik Buterin, a discuté d'une combinaison similaire d'outils IA et de preuves vérifiées par machine. Comme l'a précédemment rapporté crypto.news, ses commentaires de mai ont identifié des applications à travers la feuille de route d'Ethereum, y compris le consensus, la cryptographie résistante aux quantiques et les systèmes à connaissance nulle.

Buterin a averti que prouver un niveau ne garantit pas qu'un système entier se comporte comme prévu. Sa discussion a couvert la vérification des spécifications de haut niveau à travers l'implémentation de bas niveau.

La recherche en sécurité distincte de NEAR a abordé la signature résistante aux quantiques. La proposition de Near One de mai a sélectionné le support de signature FIPS-204, utilisant la norme ML-DSA approuvée par l'Institut national des normes et de la technologie des États-Unis.

La proposition de mai a décrit un objectif de testnet pour la fin du deuxième trimestre 2026. Near One a déclaré que les logiciels de portefeuille, les portefeuilles matériels, les points de terminaison et les API nécessiteraient des modifications coordonnées pour prendre en charge les nouveaux schémas de signature.