Anthropic ने बताया कि उसका Claude मॉडल मौजूदा कोड के लिए अपने आप औपचारिक सत्यापन प्रमाण तैयार कर सकता है। Google के OSS‑Fuzz प्रोजेक्ट की 123 लाइब्रेरी पर किए गए परीक्षण में Claude ने कुछ ही हफ्तों में करीब 180 million लाइन के प्रमाण बनाए। Rocq verifier ने इन प्रमाणों की जांच की। Anthropic का कहना है कि इस प्रक्रिया में लगभग किसी मानवीय समीक्षक की जरूरत नहीं पड़ी।
सिस्टम ने वास्तव में क्या किया
Claude ने नए प्रोग्राम नहीं लिखे। इसके बजाय उसने क्रैश-परीक्षण के मामलों को गणितीय कथनों में बदला, कंपाइल किए गए मशीन कोड का विश्लेषण किया और ऐसे औपचारिक प्रमाण तैयार किए कि कोड उन कथनों पर खरा उतरता है। बग मिलने पर मॉडल को कोड खुद ठीक करने की अनुमति थी। एक लोकप्रिय PDF रीडर की एक हफ्ते तक जांच के दौरान Claude ने उतने ही सुरक्षा बग खोजे, जितने आम तौर पर पूरे एक साल में सामने आते हैं। एक दूसरी लाइब्रेरी में उसे ऐसी तार्किक त्रुटि मिली, जो दस साल से भी ज्यादा समय से छिपी हुई थी।
सीमाएं और लागत
Anthropic ने आगाह किया कि ये प्रमाण केवल एक खास प्रोसेसर आर्किटेक्चर पर चलने वाले, सिंगल-थ्रेडेड प्रोग्राम के लिए मान्य हैं, और इनपुट 64 MB से कम होना चाहिए। इसके लिए बहुत अधिक कंप्यूटिंग संसाधनों की जरूरत पड़ती है—अलग-अलग प्रमाणों में करोड़ों टोकन लगते हैं—हालांकि कंपनी ने कुल खर्च का खुलासा नहीं किया। एक छोटे परीक्षण में पता चला कि नया Opus 5.5 मॉडल अपने पिछले मॉडल की तुलना में करीब 40 % कम टोकन इस्तेमाल करके आधे प्रमाण पूरे कर सकता है।
यह क्यों मायने रखता है
अगर AI अपने आप कोड का सत्यापन कर सके, तो डेवलपर बग खोजने और कोड में किए गए बदलावों की समीक्षा करने में कम समय लगा सकते हैं—खासकर सुरक्षा-महत्वपूर्ण सॉफ्टवेयर में। हालांकि, मौजूदा तरीका हार्डवेयर और इनपुट से जुड़ी सख्त सीमाओं में ही काम करता है, इसलिए रोजमर्रा के ज्यादातर ऐप्लिकेशन के लिए पारंपरिक परीक्षण अब भी जरूरी हैं।
