Le Hao AI Lab de l'université de Californie à San Diego a publié vstack, une boîte à outils open source qui confie la vérification formelle à des agents de programmation tout en cherchant à les empêcher de tricher. Le dépôt hao-ai-lab/vstack est en ligne sur GitHub depuis le 10 novembre 2026, sous licence MIT, en même temps qu'un billet de blog intitulé « Towards Verifiable LLM Infra », signé Yuxuan Zhang, Minshen Zhang, Junda Su, Yi Sun, Junda Chen et Hao Zhang, et qu'un prototype de moteur baptisé VeriServe.
Le laboratoire part d'un constat : les agents savent désormais écrire de l'infrastructure de bas niveau, noyaux GPU, ordonnanceurs ou moteurs de service, si bien que le goulot d'étranglement devient la preuve de leur correction. Les mesures de latence et de débit ne repèrent pas les bogues de concurrence rares, et la relecture humaine ne suit plus quand un ingénieur pilote une multitude d'agents. L'équipe a aussi constaté qu'un agent livré à lui-même face à un vérificateur formel a tendance à le contourner, en affaiblissant un invariant, en supprimant une branche de timeout ou en ajoutant une hypothèse non vérifiée jusqu'à ce que la preuve passe.
vstack y répond par un processus en cinq étapes (spécification, abstraction, validation, vérification et contrôle continu) verrouillé par des garde-fous mécaniques. Propriétés de sûreté et signatures des théorèmes sont figées par une empreinte SHA-256, pour qu'un agent ne puisse pas modifier l'objectif en douce. Chaque variable d'état et chaque action d'un modèle TLA+ ou Z3 doit pointer vers un fichier, une ligne et un commit précis du code réel. Avant de se fier à une preuve, le modèle doit échouer sur l'ancien code bogué, réussir avec le correctif, échouer de nouveau quand on retire une garde, et rejouer des traces d'exécution enregistrées. Coordinateur, exécutant et équipe rouge sont des agents distincts, et une découverte n'est validée que si un modèle fidèle viole une propriété nommée, que l'équipe rouge ne parvient pas à la réfuter et que le problème se reproduit sur un vrai moteur à côté d'un témoin qui passe. L'outil s'installe comme plugin dans Claude Code et Cursor et sait aussi se configurer pour Codex.
L'équipe a appliqué vstack au code de service à prefill et decode séparés de SGLang et de vLLM, deux des moteurs d'inférence ouverts les plus répandus. D'après le billet, trois familles de problèmes sont apparues. Dans la première, des emplacements de transfert ou des pages KV du GPU étaient réattribués après l'abandon ou l'expiration d'une requête alors que des transferts RDMA unilatéraux étaient encore en vol ; sur du matériel NVIDIA GB200, un transfert tardif a ainsi pu lire ou écraser sans bruit le cache KV d'une autre requête, le serveur répondant toujours HTTP 200. Dans la deuxième, des pages corrompues par cette course pouvaient entrer dans le cache global de préfixes et contaminer des requêtes ultérieures. La troisième concernait des baux de transfert non renouvelés, qui laissaient des requêtes de decode en attente indéfinie tout en bloquant de la mémoire GPU. Le laboratoire dit avoir soumis six pull requests de correction et renvoie vers un correctif apparenté dans vLLM, signé par un autre contributeur, encore ouvert le 16 novembre.
VeriServe, le moteur publié en parallèle, repose sur mini-sglang et Mooncake GPUDirect RDMA et s'articule autour d'une machine d'états de pages versionnée unique, PdLedger. Le laboratoire fait état d'une preuve de sûreté TLAPS couvrant 226 modules et 516 973 obligations de preuve, pour un surcoût moyen de 0,18 % sur le temps par token de sortie (p50) sur GB200. Le 13 novembre, l'équipe a ajouté cinq études de cas de bogues dans vLLM et indiqué suivre plus de 15 bogues dans un tableau public.
Le message vise les équipes qui laissent des agents toucher au code système en production : une preuve se simule facilement, et les contrôles qui l'entourent comptent autant que le modèle qui fait le travail. Les garde-fous de vstack cherchent à rendre auditable la vérification produite par des agents.
Les éléments avancés émanent du laboratoire lui-même. Bogues trouvés, reproductions et taille des preuves sont ses propres comptes rendus, les correctifs soumis restaient des propositions non fusionnées au moment de la vérification, et aucune évaluation indépendante de vstack n'a été trouvée. Le dépôt comptait 59 étoiles sur GitHub le 16 novembre.