K-Veritas: Bằng Chứng Mật Mã Cho Kết Quả Nghiên Cứu, Không Cần Ai Chạy Lại Code

K-Veritas là một công cụ mã nguồn mở mới (viết bằng Go) giải quyết vấn đề lớn trong khoa học tính toán: làm sao để chứng minh kết quả bạn công bố thực sự được tạo ra từ chính mã nguồn và phần cứng bạn đã dùng, mà không bắt người đánh giá phải tốn thời gian tải về và chạy lại toàn bộ thí nghiệm.

Công cụ này tạo một bản ghi ký thuật số (digital signed PDF) gắn kết chặt chẽ kết quả nghiên cứu với trạng thái mã nguồn, cấu hình phần cứng và mốc thời gian. Nó hoạt động với bất kỳ ngôn ngữ lập trình nào, không yêu cầu dependency runtime, chỉ là một binary tĩnh đơn giản.

Cách hoạt động: Chỉ cần "gói" lệnh chạy của bạn

Thay vì can thiệp sâu vào code, K-Veritas hoạt động như một trình bọc (wrapper) quanh lệnh chạy. Bạn chỉ cần thêm kveritas run -- trước lệnh của mình:

kveritas init                                  # Bắt đầu phiên làm việc
kveritas run -- python train.py --epochs 90    # Chạy lệnh trong môi trường giám sát
kveritas run -- python evaluate.py
kveritas seal --output report.pdf              # Tạo PDF có chữ ký số
kveritas verify report.pdf                     # Xác minh lại báo cáo

Mọi thông tin về tiến trình, tài nguyên hệ thống (CPU, RAM, GPU...) và các chỉ số quan trọng sẽ được ghi lại và đưa vào một bản ghi không thể giả mạo.

Điểm mạnh: Chống gian lận bằng "Dấu vân tay" của phần cứng

Phần ấn tượng nhất của K-Veritas là thuật toán HMCA (Execution Coherence), có nhiệm vụ phát hiện các kết quả bị làm giả. Nó không hề nhìn vào giá trị kết quả số học. Thay vào đó, trong quá trình chạy, một bộ thu thập dữ liệu nền sẽ ghi lại nhịp hoạt động của hàng chục kênh khác nhau (CPU, bộ nhớ, I/O...). Một quá trình chạy thật sự sẽ tạo ra các dao động đồng bộ trên tất cả các kênh này. Nếu ai đó cố gắng dựng lại một trace giả, sự bất thường sẽ lộ ra ngay.

Kiểm tra chi phí tính toán: Lộ ngay tuyên bố "ảo"

Một tính năng đáng giá khác là chứng nhận chi phí tính toán. Nếu một nhà nghiên cứu khai báo họ đã huấn luyện một mô hình lớn với X FLOPs, K-Veritas sẽ kiểm tra xem con số này có khả thi với sức mạnh phần cứng họ có và thời gian họ dùng hay không.

Công cụ này sẽ tự động phát hiện các trường hợp bất khả thi như:

• Tuyên bố đạt một số lượng FLOPs vượt quá tổng công suất tối đa của GPU và CPU nhân với thời gian chạy.
• Tuyên bố một mô hình có trọng số lớn hơn nhiều so với bộ nhớ GPU quan sát được.

Bounds được đặt khá thoải mái để các nghiên cứu trung thực không bị ảnh hưởng; nhưng một vi phạm cứng sẽ bị đánh dấu là "FABRICATION-IMPOSSIBLE" và được ghi vào chữ ký số.

Quyền riêng tư: Minh bạch không có nghĩa là lộ hết

K-Veritas cho phép ba mức độ tiết lộ thông tin (disclosure levels). Mặc định là redacted (ẩn danh), chỉ hiển thị các bí danh, không chứa tên file hay nội dung nhạy cảm. Mức open (--disclosure open) sẽ kèm theo một gói mã nguồn đầy đủ, giúp người đánh giá có thể tải về và kiểm tra trực tiếp nếu muốn.

Mở rộng: Từ kiểm tra file đến giám sát AI

Công cụ này không chỉ dừng lại ở việc chứng minh kết quả. Nó còn có các tính năng:

• Selective-disclosure proofs: Chứng minh một file cụ thể đã nằm trong một snapshot mà không phải tiết lộ các file khác.
• Checkout bundle: Tạo một gói chứa toàn bộ mã nguồn tại thời điểm chạy, giúp kiểm tra lại sau này.
• Agent sessions: Ghi lại lịch sử hoạt động của các tác nhân AI (ví dụ như Claude Code) thành một chuỗi hash liên kết, đảm bảo tính toàn vẹn của các quyết định AI.

Kết luận

Với sự bùng nổ của các nghiên cứu về AI và phần mềm phức tạp, việc kiểm chứng lại kết quả ngày càng trở nên khó khăn. K-Veritas là một bước tiến thú vị giúp tăng cường tính minh bạch và độ tin cậy cho khoa học tính toán, đặc biệt hữu ích cho các nhóm nghiên cứu, các hội thảo khoa học hoặc các công ty muốn chứng minh chất lượng sản phẩm từ các pipeline ML. Mã nguồn được cấp phép Apache-2.0, trong khi máy chủ xác thực sử dụng AGPL-3.0.