Formell verifizierte 3D-CSG-Netzschnittstelle: Vertraue 93 Spezifikationszeilen, nicht KI-Code

✍️ OpenClawRadar📅 Veröffentlicht: 29. Juli 2026🔗 Source
Formell verifizierte 3D-CSG-Netzschnittstelle: Vertraue 93 Spezifikationszeilen, nicht KI-Code
Ad

Ein neues Projekt, verified-3d-mesh-intersection, implementiert eine formal verifizierte 3D-CSG-Netzüberschneidung (Constructive Solid Geometry) in Lean 4. Die Grundidee: Vertraue nur 93 Zeilen formaler Spezifikation, nicht den 1000+ Zeilen KI-geschriebenen Implementierungscode. Die KI hat automatisch über 60.000 Zeilen Lean-Beweise geschrieben, die nie von Menschen geprüft werden müssen – der Lean-Checker garantiert die Korrektheit zur Compile-Zeit.

Wie es funktioniert

Die Spezifikation legt die genaue Oberfläche des resultierenden Netzes fest und garantiert Wohlgeformtheitsbedingungen für die Triangulation. Die Kernidentität:

solid (meshIntersect M1 M2) = solid M1 ∩ solid M2

wobei solid die unendliche Menge von Punkten innerhalb eines Netzes darstellt. Lean kann über diese unendlichen Mengen reasoning betreiben und die Gleichheit exakt beweisen.

Ad

Wichtige Details

  • Sprache: Lean 4, kompiliert zu WebAssembly via emcc-wasm.sh.
  • Leistung: 24 Sekunden, um zwei Stanford-Bunny-Netze mit 70k Dreiecken zu überschneiden. Langsam, aber priorisiert Verifikation vor Geschwindigkeit.
  • Web-Demo: Führt den verifizierten Kernel im Browser aus unter schildep.github.io/verified-3d-mesh-intersection. Unterstützt STL-Import. Keine Daten werden an den Server gesendet.
  • Menschliche Prüfung: Nur die 93-zeilige Spezifikation muss gelesen werden. Die 1000+ Zeilen KI-Implementierung und 60k+ Zeilen KI-Beweise werden als Blackboxen behandelt.
  • Wohlgeformtheit: Wenn Eingaben nicht wohlgeformt sind (z.B. nicht geschlossen oder selbstüberschneidend), muss der Algorithmus dies erkennen und korrekt melden – formalisiert in der Spezifikation.

Für wen es gedacht ist

Entwickler, die mit 3D-Geometrie, CSG-Operationen oder formaler Verifikation arbeiten, insbesondere solche, die skeptisch sind, KI-generiertem Code ohne Garantien zu vertrauen.

Architektur

Das Repository enthält den Lean-Kernel (CSG/), einen C-Wrapper (wrapper.c) und Web-Glue-Code (web/). Build-Befehle werden über lakefile.lean, emcc-wasm.sh und build_web_demo.sh bereitgestellt. Die UI und der Glue-Code sind nicht formal verifiziert.

📖 Vollständige Quelle lesen: HN LLM Tools

Ad

👀 Siehe auch

Medvis KI-Unternehmen im Wert von 1,8 Milliarden Dollar sieht sich mit rechtlichen und ethischen Bedenken konfrontiert
Nachrichten

Medvis KI-Unternehmen im Wert von 1,8 Milliarden Dollar sieht sich mit rechtlichen und ethischen Bedenken konfrontiert

Gary Marcus kritisiert die virale Geschichte von Medvi, einem angeblich 1,8 Milliarden Dollar schweren KI-Unternehmen, das von einer Person in zwei Monaten aufgebaut wurde. Er weist auf Sammelklagen wegen Spam-Verstößen sowie auf Fragen zur Umsatzberichterstattung und Compliance hin.

OpenClawRadar
🦀
Nachrichten

Claude Code v2.1.208: Bildschirmlesemodus, Vim-Neubelegungen, Speicherleck-Behebungen und mehr

Claude Code v2.1.208 führt einen optionalen Screenreader-Modus, Vim-Insert-Mappings, einen Prozess-Wrapper für Unternehmensumgebungen und zahlreiche Fehlerbehebungen ein – darunter Speicherlecks in langen Sitzungen.

OpenClawRadar
Claude Code CC 2.1.124 und 2.1.126: Erinnerung an überschrittenes Dateiänderungsbudget, Aktualisierung der Harness-Anweisungen, REPL wartet auf Klärung, und Erinnerung an Malware-Analyse entfernt
Nachrichten

Claude Code CC 2.1.124 und 2.1.126: Erinnerung an überschrittenes Dateiänderungsbudget, Aktualisierung der Harness-Anweisungen, REPL wartet auf Klärung, und Erinnerung an Malware-Analyse entfernt

CC 2.1.124 fügt eine Systemerinnerung für aufgrund von Budgetgrenzen ausgelassene Dateiänderungen hinzu, aktualisiert die Harness-Anweisungen mit expliziten Einfügepunkten und stellt das REPL-Auto-Await-Verhalten klar. CC 2.1.126 entfernt die Erinnerung zur Malware-Analyse nach dem Lesen.

OpenClawRadar
SubQ: Erstes vollständig subquadratisches LLM mit 12-Millionen-Token-Kontext und 95 % RULER-Genauigkeit
Nachrichten

SubQ: Erstes vollständig subquadratisches LLM mit 12-Millionen-Token-Kontext und 95 % RULER-Genauigkeit

Subquadratic bringt SubQ 1M-Preview auf den Markt, ein subquadratisches LLM mit linearem Compute-Scaling, 12-Millionen-Token-Kontext, 52× schnellerer Sparse Attention im Vergleich zu FlashAttention und 95% bei RULER 128K. Verfügbar über API, CLI-Code-Agent (SubQ Code) und Suchtool (SubQ Search).

OpenClawRadar