🤖 AI

Jolt Atlas: Verifiable Inference via Lookup Arguments in Zero Knowledge

जॉल्ट एटलस (Jolt Atlas) एक ज़ीरो-नॉलेज मशीन लर्निंग फ्रेमवर्क है जो लुकअप आर्गुमेंट्स के माध्यम से ONNX टेंसर ऑपरेशन्स को सीधे सत्यापित करने के लिए जॉल्ट प्रूविंग सिस्टम का विस्तार करता है, जिससे गोपनीयता-केंद्रित और प्रतिकूल अनुप्रयोगों के लिए संक्षिप्त प्रमाणों के साथ मेमोरी-कुशल, ऑन-डिवाइस क्रिप्टोग्राफिक इन्फरेंस सक्षम होता है।

मूल लेखक: Wyatt Benno, Alberto Centelles, Antoine Douchet, Khalil Gibran

प्रकाशित 2026-02-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wyatt Benno, Alberto Centelles, Antoine Douchet, Khalil Gibran

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक प्रतिभाशाली, रहस्यमयी शेफ (AI मॉडल) है जो आपके लिए एक जटिल व्यंजन बनाता है। आप दो चीजें जानना चाहते हैं:

क्या उन्होंने वास्तव में व्यंजन सही ढंग से बनाया है? (सत्यापन/Verification)
क्या आप उनकी गुप्त रेसिपी या उनके द्वारा उपयोग की गई सामग्री को देखे बिना उन पर भरोसा कर सकते हैं? (गोपनीयता/Zero-Knowledge)

परंपरागत रूप से, यह सिद्ध करने के लिए कि शेफ ने व्यंजन सही बनाया है, आपको शेफ को अपने किचन में बुलाना होगा, उनके हर एक कटिंग और स्टिरिंग को देखना होगा और उनकी हर एक सामग्री की जांच करनी होगी। यह बहुत धीमा है, इसके लिए एक बहुत बड़े किचन (बहुत अधिक कंप्यूटर मेमोरी) की आवश्यकता होती है, और यह रेसिपी के रहस्य को खत्म कर देता है।

Jolt Atlas एक नया, जादुई "प्रूफ सिस्टम" है जो शेफ को यह सिद्ध करने देता है कि उन्होंने व्यंजन सही ढंग से बनाया है, बिना आपको उनका किचन, उनकी रेसिपी या उनकी सामग्री दिखाए। यह इसे इसलिए करता है क्योंकि यह खाना पकाने की प्रक्रिया को देखने के तरीके को ही बदल देता है।

यहाँ बताया गया है कि यह कैसे काम करता है, रोजमर्रा के उदाहरणों का उपयोग करते हुए:

1. पुराना तरीका बनाम नया तरीका: "निर्देश पुस्तिका" बनाम "मेन्यू"

पुराना तरीका (zkVMs): कल्पना कीजिए कि एक शेफ को यह सिद्ध करने की कोशिश करना कि उसने भोजन बनाया है, उसके लिए रसोई के हर एक औज़ार के लिए एक सामान्य निर्देश पुस्तिका (instruction manual) को देखते हुए करना। "चाकू उठाओ। चाकू को 2 इंच हिलाओ। गाजर को काटो।" यह एक Zero-Knowledge Virtual Machine (zkVM) की तरह है। यह अविश्वसनीय रूप से विस्तृत है लेकिन धीमा और बोझिल है क्योंकि यह एक जटिल भोजन को छोटी, असंबंधित यांत्रिक क्रियाओं की एक श्रृंखला के रूप में मानता है।
Jolt Atlas का तरीका (ONNX): Jolt Atlas उन छोटी यांत्रिक क्रियाओं को अनदेखा कर देता है। इसके बजाय, यह मेन्यू (ONNX) को देखता है। मेन्यू कहता है: "गाजर लें, उन्हें काटें, फिर उन्हें सॉस के साथ मिलाएं।" यह पूरी प्रक्रिया को एक बड़े ब्लॉक के रूप में देखता है।
- लाभ: "चाकू उठाओ" जैसे चरणों को छोड़कर और "गाजर काटने" के परिणाम पर ध्यान केंद्रित करके, यह सिस्टम बहुत तेज़ और हल्का हो जाता है। इसे एक विशाल किचन (RAM) की आवश्यकता नहीं है; यह एक मानक लैपटॉप या यहाँ तक कि एक फोन पर भी चल सकता है।

2. जादू का खेल: "लुकअप टेबल" (द चीट शीट)

AI मॉडल "नॉन-लीनियर" फंक्शन्स का उपयोग करते हैं (जैसे यह तय करना कि एक पिक्सेल बिल्ली के कान का हिस्सा है या केवल बैकग्राउंड)। गणित में, इन्हें सिद्ध करना एक विशाल, असंभव पहेली को हल करने जैसा है।

समस्या: यदि आप हर बार शून्य से "बिल्ली के कान" के निर्णय के गणित को सिद्ध करने की कोशिश करते हैं, तो इसमें बहुत समय लगता है।
Jolt Atlas का समाधान: कल्पना कीजिए कि शेफ के पास एक चीट शीट (Lookup Table) है। शून्य से "यह बिल्ली का कान है?" की गणना करने के बजाय, शेफ बस उस शीट की ओर इशारा करता है और कहता है, "देखो, यह विशिष्ट आकार लाइन 42 पर है, और उत्तर 'हाँ' है।"
जादू: Jolt Atlas एक प्रोटोकॉल जिसका नाम Sumcheck है, का उपयोग यह सत्यापित करने के लिए करता है कि शेफ वास्तव में शीट पर सही लाइन की ओर इशारा कर रहा है, बिना शेफ को पूरी शीट दिखाए या यह समझाने के कि लाइन 42 "हाँ" क्यों है। यह एक लाइब्रेरियन की तरह है जो पूरी किताब पढ़ने के बजाय बारकोड चेक करके सत्यापित करता है कि आपके पास सही किताब है।

3. एक मछली के कटोरे में व्हेल को फिट करना: "स्ट्रीमिंग" और "न्यूरल टेलीपोर्टेशन"

AI मॉडल बहुत विशाल होते हैं। उन्हें सिद्ध करने के लिए आमतौर पर ऐसे कंप्यूटर की आवश्यकता होती है जिसकी मेमोरी पृथ्वी पर मौजूद कुल मेमोरी से भी अधिक हो।

स्ट्रीमिंग (कन्वेयर बेल्ट): पूरे समुद्र (मॉडल के डेटा) को एक बार में एक बाल्टी (RAM) में रखने की कोशिश करने के बजाय, Jolt Atlas एक कन्वेयर बेल्ट का उपयोग करता है। यह डेटा को छोटे, प्रबंधनीय टुकड़ों में, एक के बाद एक प्रोसेस करता है। यह पहले टुकड़े को सिद्ध करता है, फिर दूसरे को, फिर तीसरे को, बिना उन्हें एक साथ रखने की आवश्यकता के। यह इसे सीमित मेमोरी वाले उपकरणों पर चलने की अनुमति देता है।
न्यूरल टेलीपोर्टेशन (ज़ूम लेंस): AI के कुछ हिस्से (जैसे "Tanh" फंक्शन) बहुत संवेदनशील होते हैं और उनके लिए एक विशाल लुकअप टेबल की आवश्यकता होती है। Jolt Atlas न्यूरल टेलीपोर्टेशन नामक एक ट्रिक का उपयोग करता है। कल्पना कीजिए कि आप एक पर्वत श्रृंखला को देख रहे हैं। हर एक कंकड़ का मानचित्रण करने के बजाय, आप केवल उन चोटियों पर ध्यान केंद्रित करने के लिए ज़ूम लेंस का उपयोग करते हैं जो महत्वपूर्ण हैं। यह डेटा रेंज को थोड़ा "कंप्रेस" करता है (जैसे ज़ूम इन करना), जिससे लुकअप टेबल बहुत छोटी हो जाती है, फिर भी अंतिम परिणाम इतना सटीक रहता है कि AI पूरी तरह से काम कर सके।

4. अदृश्य ढाल: "BlindFold"

हम प्रमाण को "Zero-Knowledge" (गुप्त डेटा को छिपाना) कैसे रखते हैं?

उपमा: कल्पना कीजिए कि शेफ आपको एक सीलबंद लिफाफा भेजता है जिसमें प्रमाण है। इसके अंदर नंबर हैं। यदि आप लिफाफा खोलते हैं, तो आप नंबर देखते हैं, लेकिन आप मूल सामग्री क्या थी, यह नहीं जान सकते।
BlindFold: यह एक क्रिप्टोग्राफिक तकनीक है जो प्रमाण को लेती है और उसे रैंडम शोर (noise) के साथ "फोल्ड" करती है। यह शेफ के काम की एक स्पष्ट फोटो लेने और उसे कैलीडोस्कोप (kaleidoscope) के माध्यम से चलाने जैसा है। सत्यापनकर्ता अभी भी गणितीय रूप से पुष्टि कर सकता है कि फोटो असली है और काम सही ढंग से किया गया था, लेकिन मूल छवि (गुप्त डेटा) पूरी तरह से बिखरी हुई और अप्राप्य होती है।

5. यह क्यों मायने रखता है (वास्तविक दुनिया का प्रभाव)

गति: पेपर में, उन्होंने एक छोटे AI मॉडल (nanoGPT) को 14 सेकंड में सिद्ध किया। पिछले तरीकों में लगभग 4 मिनट लगते थे (और अधिक सेटअप की आवश्यकता थी)। यह 17 गुना तेज़ है।
गोपनीयता: आप सत्यापित कर सकते हैं कि AI ने एक निर्णय लिया है (जैसे ऋण स्वीकृत करना या बीमारी का निदान करना) बिना AI को उसका गुप्त प्रशिक्षण डेटा बताए या उपयोगकर्ता के निजी चिकित्सा/वित्तीय रिकॉर्ड को उजागर किए।
पहुंच (Accessibility): इसकी दक्षता के कारण, आप इन प्रमाणों को केवल विशाल सुपरकंप्यूटरों पर ही नहीं, बल्कि एक सामान्य लैपटॉप या फोन पर भी चला सकते हैं।

सारांश

Jolt Atlas एक धीमे, मैनुअल अकाउंटेंट से एक स्मार्ट ऑडिटर में अपग्रेड करने जैसा है जो लाखों रसीदों के ढेर में से हर एक रसीद की जांच करता है, जबकि दूसरा बारकोड स्कैनर और कन्वेयर बेल्ट का उपयोग करता है। यह सिद्ध करता है कि AI ने अपना काम सही ढंग से किया है, सभी के रहस्यों को सुरक्षित रखता है, और यह इतना तेज़ है कि आपके फोन पर भी चल सकता है। यह "वेरिफिएबल AI" को एक सैद्धांतिक सपने से एक व्यावहारिक वास्तविकता में बदल देता है।

यहाँ शोध पत्र "Jolt Atlas: Verifiable Inference via Lookup Arguments in Zero Knowledge" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र Zero-Knowledge Machine Learning (zkML) में आने वाली महत्वपूर्ण बाधाओं को संबोधित करता है, विशेष रूप से न्यूरल नेटवर्क इन्फरेंस (inference) की शुद्धता को सिद्ध करने से जुड़े उच्च कम्प्यूटेशनल ओवरहेड और मेमोरी आवश्यकताओं को।

स्केलेबिलिटी संबंधी मुद्दे (Scalability Issues): आधुनिक न्यूरल नेटवर्क में लाखों से अरबों पैरामीटर्स होते हैं। सामान्य-उद्देश्य वाले zkSNARKs (जैसे कि zkVMs में उपयोग किए जाते हैं) का उपयोग करके उनके निष्पादन को सिद्ध करना भारी ओवरहेड (100,000x से 1,000,000x तक) उत्पन्न करता है, जो नेटिव निष्पादन की तुलना में बहुत अधिक है।
गैर-रैखिकता (Non-Linearity): न्यूरल नेटवर्क गैर-रैखिक एक्टिवेशन फंक्शन (जैसे ReLU, Softmax, GELU) पर अत्यधिक निर्भर करते हैं। इन फंक्शन्स को लो-डिग्री अरिथमेटिक कंस्ट्रेंट सिस्टम में दर्शाने से कंस्ट्रेंट काउंट और डिग्री में भारी विस्फोट होता है, जो मुख्य लागत बन जाते हैं।
मेमोरी संबंधी सीमाएँ (Memory Constraints): मानक SNARK कंस्ट्रक्शन अक्सर विटनेस (witness) और इंटरमीडिएट पॉलिनोमिअल्स के बड़े हिस्सों को मेमोरी में भौतिक रूप से रखने की आवश्यकता रखते हैं। इसके परिणामस्वरूप कई गीगाबाइट पीक मेमोरी उपयोग होता है, जिससे ऑन-डिवाइस प्रूफिंग (जैसे मोबाइल फोन पर) अव्यावहारिक हो जाती है।
फ्रेमवर्क की सीमाएँ (Framework Limitations): मौजूदा zkML फ्रेमवर्क (जैसे EZKL) अक्सर सर्किट-आधारित अरिथमेटिक कंस्ट्रेंट्स या Halo2 पर निर्भर करते हैं, जिन्हें बड़े लुकअप टेबल्स के साथ संघर्ष करना पड़ता है और जो टेंसर ऑपरेशंस की स्पर्सिटी (sparsity) या बीजगणितीय संरचना का स्वाभाविक रूप से लाभ नहीं उठा पाते।

2. कार्यप्रणाली (Methodology)

Jolt Atlas, Jolt प्रूविंग सिस्टम (जिसे मूल रूप से RISC-V CPU निर्देशों के लिए डिज़ाइन किया गया था) को मशीन लर्निंग के लिए ONNX कम्प्यूटेशनल मॉडल में अनुकूलित करता है। CPU निर्देशों का अनुकरण (emulation) करने के बजाय, यह टेंसर ऑपरेशंस को सत्यापन की प्राथमिक इकाई के रूप में मानता है।

मुख्य वास्तुशिल्प परिवर्तन (Core Architectural Shifts)

निष्पादन मॉडल के रूप में ONNX: Jolt Atlas, ONNX (Open Neural Network Exchange) ग्राफ का उपयोग करता है। यह CPU रजिस्टरों और मनमाने RAM एक्सेस की आवश्यकता को समाप्त कर देता है, जिससे मेमोरी कंसिस्टेंसी वेरिफिकेशन को केवल टेंसर बफर कंसिस्टेंसी तक सरल बनाया जा सकता है।
लुकअप-केंद्रित प्रूविंग (Lookup-Centric Proving): गैर-रैखिक कार्यों को सीधे अरिथमेटिक बनाने के बजाय, Jolt Atlas लुकअप आर्गुमेंट्स का उपयोग करता है। प्रूवर यह प्रदर्शित करता है कि गैर-रैखिक ऑपरेशंस के इनपुट-आउटपुट जोड़े पूर्व-निर्धारित तालिकाओं (tables) में मौजूद हैं। यह गैर-रैखिकता के लिए जटिल पॉलिनोमियल कंस्ट्रेंट्स से बचने में मदद करता है।
Sumcheck प्रोटोकॉल और DAG संरचना: प्रमाण को Sumcheck इंस्टेंस के एक डायरेक्टेड एसाइक्लिक ग्राफ (DAG) के रूप में व्यवस्थित किया गया है।
- स्टेजिंग (Staging): गणनाओं को ऐसे चरणों में तोड़ा जाता है जहाँ समचेक (sumchecks) विशिष्ट दावों (जैसे निर्देश ट्रांजिशन, मेमोरी रीड्स) को सत्यापित करते हैं।
- आभासी पॉलिनोमिअल्स (Virtual Polynomials): बड़े स्पार्स पॉलिनोमिअल्स को छोटे, लो-डिग्री पॉलिनोमिअल्स के बीजगणितीय संयोजन के रूप में वर्चुअली परिभाषित किया जाता है, जिससे विशाल डेटा संरचनाओं के प्रत्यक्ष कमिटमेंट से बचा जा सके।
स्ट्रीमिंग प्रूविंग (कम स्थान के लिए): मेमोरी सीमाओं को संबोधित करने के लिए, सिस्टम बड़े लुकअप टेबल्स के prefix-suffix decomposition का उपयोग करता है। तालिकाओं को बीजगणितीय रूप से विघटित करके, प्रूवर स्पेस (स्थान) के बदले समय (कई स्ट्रीमिंग पास) का व्यापार कर सकता है, जिससे पीक मेमोरी उपयोग $|T|$ से घटकर $O(|T|^{1/C})$ हो जाता है। यह मेमोरी-बाधित उपकरणों पर प्रूविंग को सक्षम बनाता है।

प्रमुख तकनीकी घटक (Key Technical Components)

न्यूरल टेलीपोर्टेशन (Neural Teleportation): सैचुरेटिंग एक्टिवेशन फंक्शन (जैसे $\tanh$ या $\text{erf}$ ) के लिए लुकअप टेबल्स को कंप्रेस करने के लिए, सिस्टम इनपुट पर एक ग्लोबल स्केलिंग फैक्टर $\tau$ लागू करता है ( $y' = \sigma(x/\tau)$ )। यह प्रभावी इनपुट रेंज को छोटा करता है, जिससे छोटे लुकअप टेबल्स संभव हो पाते हैं जबकि स्वीकार्य सटीकता बनी रहती है (त्रुटियाँ शून्य के पास रैखिक क्षेत्र में केंद्रित होती हैं, जो प्रशिक्षित मॉडलों में दुर्लभ कारक है)।
BlindFold के माध्यम से ज़ीरो-नॉलेज: विटनेस (मॉडल वेट्स और इनपुट्स) को छिपाने के लिए, Jolt Atlas BlindFold तकनीक को एकीकृत करता है।
- यह Sumcheck वेरिफायर लॉजिक को एक छोटे R1CS सर्किट में एनकोड करता है।
- यह वास्तविक प्रूफ इंस्टेंस को एक रैंडम सैटिस्फाइंग इंस्टेंस के साथ संयोजित करने के लिए Nova-style folding का उपयोग करता है।
- सभी प्रूवर संदेश (कोएफिशिएंट्स, इवैल्यूएशन) को पेडेर्सन कमिटमेंट्स (Pedersen commitments) के रूप में भेजा जाता है, जिससे यह सुनिश्चित होता है कि वेरिफायर को अंतर्निहित डेटा के बारे में कुछ भी पता न चले।
पॉलिनोमियल कमिटमेंट्स (Polynomial Commitments): Jolt (जो बड़े विटनेस के लिए Dory का उपयोग करता है) के विपरीत, Jolt Atlas HyperKZG (जो KZG और Gemini ट्रांसफॉर्मेशन पर आधारित है) का उपयोग करता है। यह मल्टीलीनियर पॉलिनोमिअल्स के लिए बेहतर है और संक्षिप्त ओपनिंग्स प्रदान करता है जो ऑन-चेन वेरिफिकेशन के लिए उपयुक्त है, हालांकि इसके लिए ट्रस्टेड सेटअप की आवश्यकता होती है।

3. मुख्य योगदान (Key Contributions)

पहला लुकअप-केंद्रित zkML फ्रेमवर्क: CPU निर्देशों से न्यूरल नेटवर्क के लिए Jolt प्रतिमान को सफलतापूर्वक विस्तारित करता है, जो अनुकूलन के लिए न्यूरल नेटवर्क के DAG संरचना का लाभ उठाता है।
ऑन-डिवाइस वेरिफिकेशन के लिए स्ट्रीमिंग प्रूवर: यह दर्शाता है कि prefix-suffix decomposition और स्ट्रीमिंग पास का उपयोग करके मेमोरी-बाधित वातावरण में मॉडल इन्फरेंस को सिद्ध करना संभव है।
टेबल कंप्रेशन के लिए न्यूरल टेलीपोर्टेशन: वेट्स को फिर से कमिट किए बिना गैर-रैखिक एक्टिवेशन के लिए लुकअप टेबल के आकार को कम करने के लिए टेलीपोर्टेशन का व्यावहारिक अनुकूलन पेश करता है, जो टेबल के आकार और मॉडल सटीकता के बीच संतुलन बनाता है।
ज़ीरो-नॉलेज इंटीग्रेशन: Sumcheck ट्रांसक्रिप्ट पर ज़ीरो-नॉलेज गुण प्राप्त करने के लिए BlindFold का एक मजबूत कार्यान्वयन प्रदान करता है, जो मॉडल वेट्स और इनपुट्स को छिपाता है।
प्रदर्शन बेंचमार्क: वर्गीकरण (classification), एम्बेडिंग और छोटे लैंग्वेज मॉडल्स (जैसे nanoGPT, GPT-2) के लिए व्यावहारिक प्रूविंग समय दिखाता है जो मौजूदा फ्रेमवर्क से काफी बेहतर है।

4. परिणाम (Results)

शोध पत्र एक MacBook Pro (M3, 16GB RAM) पर EZKL (एक अग्रणी Halo2-आधारित zkML फ्रेमवर्क) के विरुद्ध Jolt Atlas के बेंचमार्क प्रस्तुत करता है।

nanoGPT (0.25M पैरामीटर्स, 4 लेयर्स):
- Jolt Atlas: प्रूफ जनरेशन समय ~14 सेकंड।
- EZKL: प्रूफ जनरेशन समय ~237 सेकंड (>400s की की जनरेशन को छोड़कर)।
- परिणाम: Jolt Atlas प्रूफ जनरेशन में लगभग 17x की गति वृद्धि (speed-up) प्राप्त करता है।
GPT-2 (125M पैरामीटर्स):
- Jolt Atlas: एंड-टू-एंड प्रूविंग समय ~38 सेकंड।
- इसमें विटनेस जनरेशन (~~7.5s), कमिटमेंट (~~3.5s), Sumcheck प्रूविंग (~~16s), और HyperKZG प्रूविंग (~~3s) शामिल है।
वेरिफिकेशन: वेरिफिकेशन का समय संक्षिप्त (सेकंड से कम) बना रहता है, जिससे ये प्रमाण ऑन-चेन या लाइटवेट वेरिफिकेशन के लिए उपयुक्त बनते हैं।

5. महत्व (Significance)

प्राइवेसी-प्रिजर्विंग AI: Jolt Atlas ऐसे AI इन्फरेंस के लिए क्रिप्टोग्राफिक सत्यापन को सक्षम बनाता है जहाँ मॉडल वेट्स और यूजर इनपुट्स निजी रहते हैं। यह "एजेंटिक कॉमर्स" और "ट्रस्टलेस AI कॉन्टेक्स्ट" (AI मेमोरी) के लिए महत्वपूर्ण है, जहाँ एजेंटों को यह सिद्ध करने की आवश्यकता होती है कि उन्होंने अपने आंतरिक तर्क या डेटा को प्रकट किए बिना सही ढंग से कार्य किया है।
ऑन-डिवाइस व्यवहार्यता: स्ट्रीमिंग के माध्यम से मेमोरी बाधा को हल करके, Jolt Atlas यह संभव बनाता है कि विशेष एक्सेलेरेटर्स के बिना कमोडिटी हार्डवेयर (जैसे स्मार्टफोन) पर zkML प्रूफ चलाए जा सकें, जिससे Verifiable AI का लोकतंत्रीकरण होता है।
जनरैलिटी के ऊपर एफिशिएंसी: सामान्य-उद्देश्य वाले CPU इम्यूलेशन (zkVMs) से हटकर एक विशेष टेंसर मॉडल (ONNX) की ओर बढ़कर, सिस्टम रजिस्टर और मेमोरी के अनुकरण के ओवरहेड से बचता है, जिससे ML वर्कलोड के लिए लगभग नेटिव दक्षता प्राप्त होती है।
फ्यूचर-प्रूफिंग: शोध पत्र वर्तमान ऑन-चेन वेरिफिकेशन की पेयरिंग ऑपरेशंस संबंधी सीमाओं को संबोधित करते हुए, HyperKZG को बदलने के लिए लैटिस-आधारित पॉलिनोमियल कमिटमेंट स्कीम्स (जैसे Hachi) के भविष्य के माइग्रेशन का सुझाव देकर पोस्ट-क्वांटम सुरक्षा का मार्ग बताता है।

संक्षेप में, Jolt Atlas zkML में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है, जो "CPU को सिद्ध करने" से "टेंसर को सिद्ध करने" की ओर बढ़ता है, और लुकअप आर्गुमेंट्स और स्ट्रीमिंग तकनीकों का उपयोग करके सत्यापन योग्य इन्फरेंस को वास्तविक दुनिया के मॉडल्स के लिए व्यावहारिक, निजी और कुशल बनाता है।