Decoupled Smart Contract Audits: Lightweight LLM Framework via Distillation and Aggregation
यह शोध पत्र एक विच्छेदित (decoupled), हल्का LLM ढांचा प्रस्तुत करता है जो मौजूदा मॉडलों की तुलना में काफी कम मापदंडों के साथ अत्याधुनिक स्मार्ट कॉन्ट्रैक्ट सुरक्षा ऑडिटिंग प्रदर्शन प्राप्त करने के लिए डिस्टिलेशन, रैंक-स्टेबलाइज्ड लो-रैंक एडेप्टर्स और एक कस्टम चेन-ऑफ-वेरिफिकेशन एग्रीगेशन रणनीति का उपयोग करता है।
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 बहुत ही जटिल, डिजिटल तिजोरी (एक स्मार्ट कॉन्ट्रैक्ट) है जो लोगों का पैसा रखती है। एक बार जब यह तिजोरी ब्लॉकचेन पर बन जाती है, तो आप बाद में इसके ताले नहीं बदल सकते या इसमें नई सुरक्षा पट्टियाँ नहीं जोड़ सकते। यदि इसमें कोई खामी रह जाती है, तो हैकर्स सब कुछ चुरा सकते हैं। इसलिए, तिजोरी खोलने से पहले, आपको एक सुरक्षा विशेषज्ञ द्वारा इसकी जाँच कराने की आवश्यकता होती है।
पारंपरिक रूप से, यह जाँच मनुष्यों द्वारा की जाती है, लेकिन जाँच करने के लिए बहुत अधिक तिजोरियाँ हैं। हाल ही में, लोगों ने इन तिजोरियों की जाँच करने के लिए विशाल "सुपर-इंटेलिजेंस" (लार्ज लैंग्वेज मॉडल्स या LLMs) का उपयोग करने की कोशिश की। लेकिन ये दिग्गज ऐसे हैं जैसे किसी एक काम को करने के लिए 100 पीएचडी विशेषज्ञों की एक टीम को काम पर रखना: वे अविश्वसनीय रूप से महंगे हैं, उन्हें चलाने के लिए भारी कंप्यूटरों की आवश्यकता होती है, और एक साथ बहुत सारे काम करने के लिए कहे जाने पर वे अक्सर भ्रमित हो जाते हैं।
यह पेपर एक स्मार्ट और हल्का तरीका पेश करता है। उन्होंने इसे कैसे किया, इसे सरल भाषा में यहाँ समझाया गया है:
1. "विशेषज्ञ टीम" बनाम "सर्वगुण संपन्न" (The Jack-of-All-Trades)
एक विशाल, महंगी AI को एक साथ पूरा काम करने के लिए नियुक्त करने के बजाय, लेखकों ने सुरक्षा ऑडिट को चार छोटे, विशिष्ट चरणों में विभाजित किया, जैसे कि एक रिले रेस हो:
- डिटेक्टर (The Detector): एक छोटा, तेज़ AI जो केवल कोड को देखता है और कहता है, "क्या यहाँ कोई बग है? हाँ या नहीं?"
- एक्सप्लेनर (The Explainer): यदि कोई बग है, तो एक थोड़ा बड़ा AI बताता है कि कैसे एक हैकर इसका उपयोग कर सकता है। यह एक जासूस की तरह है जो रिपोर्ट लिख रहा है कि ताला कैसे तोड़ा गया।
- जज (The Judge): एक अन्य छोटा AI उस स्पष्टीकरण को देखता है और निर्णय लेता है: "क्या यह एक मामूली खरोंच (Low) है, एक टूटा हुआ कब्ज़ा (Medium) है, या पूरी तरह से ढह जाना (High) है?"
- फिक्सर (The Fixer): अंत में, एक स्मार्ट AI सुझाव देता है कि उस छेद को ठीक करने के लिए बिल्कुल क्या करना चाहिए।
उपमा: कल्पना कीजिए कि आप एक कार ठीक करने की कोशिश कर रहे हैं। एक "एकीकृत" (Unified) दृष्टिकोण ऐसा है जैसे एक ही व्यक्ति से इंजन का निदान करने, विफलता के भौतिकी को समझाने, गंभीरता को ग्रेड देने और नया हिस्सा वेल्ड करने के लिए कहना। वह घबरा सकता है और गलतियाँ कर सकता है। लेखकों का दृष्टिकोण एक विशेषज्ञ मैकेनिक, एक भौतिकी प्रोफेसर, एक सुरक्षा निरीक्षक और एक वेल्डर को एक लाइन में रखने जैसा है। प्रत्येक अपना काम पूरी तरह से करता है।
2. "बड़े शिक्षक" के साथ "छोटा दिमाग"
लेखकों ने बहुत छोटे AI मॉडल का उपयोग किया (केवल 0.6 से 4 बिलियन "न्यूरॉन्स", उन दिग्गजों की तुलना में जिनमें 30+ बिलियन होते हैं)। आमतौर पर, छोटे दिमाग कठिन कार्यों के लिए पर्याप्त स्मार्ट नहीं होते हैं।
इसे ठीक करने के लिए, उन्होंने दो तरकीबें इस्तेमाल कीं:
- नॉलेज डिस्टिलेशन (शिक्षक-छात्र पद्धति): उन्होंने एक विशाल, सुपर-स्मार्ट "शिक्षक" AI (Qwen3-30B) लिया और छोटे "छात्र" AI को चरण-दर-चरण सोचना सिखाया। छात्र ने केवल उत्तर नहीं रटे; उसने तर्क करने की प्रक्रिया सीखी।
- "मतदान" प्रणाली (कंसेंसस): जब AI को कोई निर्णय लेना होता है (जैसे "क्या यह एक बग है?"), तो उसे केवल एक बार पूछने के बजाय, वे इसे पाँच अलग-अलग तरीकों से पूछते हैं। यदि पाँच में से चार "हाँ" कहते हैं, तो वे "हाँ" के साथ जाते हैं। यह AI को बेतरतीब ढंग से अनुमान लगाने से रोकता है।
3. "हैलुसिनेशन" (Hallucinations) को रोकने के लिए "फैक्ट-चेकर"
AI मॉडल कभी-कभी "हैलुसिनेट" करते हैं—वे ऐसे तथ्य बनाते हैं जो सुनने में वास्तविक लगते हैं लेकिन गलत होते हैं। इसे रोकने के लिए, लेखकों ने एक चेन-ऑफ-वेरिफिकेशन विधि का उपयोग किया।
- उपमा: कल्पना कीजिए कि एक छात्र एक निबंध लिखता है। जमा करने से पहले, उसे अपने निबंध के बारे में तीन प्रश्न लिखने होते हैं ("क्या मैंने इस बिंदु को सिद्ध किया? क्या यह तथ्य सत्य है?")। वे उन प्रश्नों के उत्तर ईमानदारी से देते हैं। यदि उत्तर निबंध से मेल नहीं खाते, तो वे निबंध को ठीक करते हैं। यह सुनिश्चित करता है कि अंतिम रिपोर्ट वास्तवвतः सत्य है।
4. बड़ी खोज: "मिडल-चाइल्ड" बायस (The Middle-Child Bias)
शोधकर्ताओं ने पाया कि AI गंभीरता का निर्णय कैसे करता है, इसके बारे में एक आश्चर्यजनक बात सामने आई। जब AI को "लो" (Low), "मीडियम" (Medium), या "हाई" (High) तय करने के लिए कहा जाता है, तो AI गलत होने से डरता है।
- निष्कर्ष: यदि AI अनिश्चित है, तो वह लगभग हमेशा "मीडियम" पर ही रुक जाता है। यह एक ऐसे छात्र की तरह है जिसे परीक्षा के प्रश्न का उत्तर नहीं पता और वह बस "C" चुन लेता है क्योंकि यह सबसे सुरक्षित मध्य मार्ग लगता है।
- लेखकों ने पाया कि विशाल मॉडल चरम मामलों (बहुत कम या बहुत उच्च जोखिम) को पहचानने में बहुत खराब थे क्योंकि वे हर चीज़ को "मीडियम" के बकेट में डाल देते थे। उनकी छोटी, विशिष्ट टीम चरम स्थितियों को पहचानने में बहुत बेहतर थी।
5. यह क्यों मायने रखता है (परिणाम)
- सस्ता: उनका सिस्टम एक मानक लैपटॉप या एक मामूली कंप्यूटर कार्ड पर चलता है। उनके मुकाबले वाले विशाल मॉडलों को सुपर-महंगे, डेटा-सेंटर-ग्रेड कंप्यूटरों की आवश्यकता होती है जिनकी कीमत हजारों डॉलर होती है।
- स्मार्ट: बहुत छोटे होने के बावजूद, उनका सिस्टम दिग्गजों की तुलना में अधिक सटीक था। उन्हें बग खोजने में 98% सटीकता मिली, जबकि दिग्गज जटिल तर्क वाले हिस्सों में संघर्ष कर रहे थे।
- कार्यवाही योग्य (Actionable): उन्होंने केवल बग ही नहीं ढूंढे; उन्होंने स्पष्ट स्पष्टीकरण और विशिष्ट कोड सुधार भी प्रदान किए, जिसकी डेवलपर्स को वास्तव में आवश्यकता होती है।
संक्षेप में: यह पेपर साबित करता है कि अपनी डिजिटल तिजोरी को सुरक्षित करने के लिए आपको एक विशाल, महंगी AI की आवश्यकता नहीं है। छोटे, विशिष्ट रूप से प्रशिक्षित AI सहायकों की एक टीम का उपयोग करके जो एक-दूसरे के काम की जाँच करते हैं, आप बहुत कम लागत में बेहतर परिणाम प्राप्त कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।