Anthropic anunció que su modelo Claude puede generar automáticamente pruebas de verificación formal para código existente. En una prueba con 123 bibliotecas del proyecto OSS‑Fuzz de Google, Claude generó alrededor de 180 millones de líneas de pruebas en unas pocas semanas. El verificador Rocq comprobó las pruebas y, según Anthropic, el proceso requirió muy poca revisión humana.
Qué hizo realmente el sistema
Claude no escribió programas nuevos. En cambio, convirtió casos de prueba de fallos en enunciados matemáticos, analizó el código máquina compilado y produjo pruebas formales de que el código cumple esos enunciados. Cuando el modelo encontraba un error, podía corregir el código por sí mismo. En una semana analizando un lector de PDF popular, Claude detectó tantos errores de seguridad como suelen reportarse en todo un año. En otra biblioteca encontró un error lógico que había pasado inadvertido durante más de diez años.
Límites y costos
Anthropic advierte que las pruebas solo son válidas para programas de un solo hilo que se ejecutan en una arquitectura de procesador específica y reciben entradas de menos de 64 MB. El consumo de cómputo es elevado: algunas pruebas requieren cientos de millones de tokens, aunque la empresa no reveló el gasto total. Una prueba más pequeña mostró que el nuevo modelo Opus 5.5 puede completar la mitad de las pruebas usando alrededor de un 40 % menos de tokens que su predecesor.
Por qué importa
Si la IA puede verificar código automáticamente, los desarrolladores podrían dedicar menos tiempo a buscar errores y revisar cambios, sobre todo en software crítico para la seguridad. Sin embargo, el método actual solo funciona con límites estrictos de hardware y tamaño de entrada, por lo que la mayoría de las aplicaciones cotidianas todavía necesitan pruebas tradicionales.
