terra-source

本数据集名为“Terra — Source Mirror”，是Hugging Face上的一个源镜像，其规范源位于GitHub仓库 `szl-holdings/terra`。作为SZL Holdings研究栈的一部分，它旨在为在物理世界领域运行的、受SZL治理的智能体提供一个地理空间和资源分配的底层基础，并集成了Λ轴合规性与物理约束求解器。数据集内容为源代码文件，是特定提交时间点（如2026-05-29）的快照，并非用于机器学习训练的数据样本。每一项声明均可追溯至一个Zenodo数字对象标识符（DOI）、一个GitHub提交SHA哈希值，并在适用情况下关联至基于Mathlib v4.13.0的Lean 4形式化证明。数据集规模小于1千项（n<1K），语言为英语。它适用于地理空间计算、资源分配算法、智能体治理、物理人工智能、形式化验证及相关领域的研究与开发参考。需要明确的是，本数据集并非可部署的软件制品、非实时更新的数据流，且排除了.git/目录、node_modules/及大于50MB的二进制文件等非必要内容。

This dataset is named Terra — Source Mirror and is a Hugging Face source mirror with its canonical source located in the GitHub repository `szl-holdings/terra`. It is part of the SZL Holdings research stack, designed to provide a geospatial and resource allocation foundation for agents operating in the physical world under SZL governance, integrating Λ-axis compliance and physical constraint solvers. The dataset content consists of source code files, serving as a snapshot at a specific commit point (e.g., 2026-05-29), and is not intended for machine learning training samples. Each claim in the dataset is traceable to a Zenodo Digital Object Identifier (DOI), a GitHub commit SHA hash, and where applicable, linked to Lean 4 formal proofs based on Mathlib v4.13.0. The dataset has a scale of less than 1,000 items (n<1K) and is in English. It is suitable for research and development reference in geospatial computing, resource allocation algorithms, agent governance, physical AI, formal verification, and related fields. Importantly, this dataset is not a deployable software artifact, not a real-time updated data stream, and excludes non-essential content such as `.git/` directories, `node_modules/`, and binary files larger than 50MB.

原始信息汇总

数据集概述：Terra — Source Mirror

Terra — Source Mirror 是一个面向地理空间与资源分配领域的数据集，为SZL控股框架下的物理世界代理提供底层支持。该数据集是GitHub仓库 szl-holdings/terra 在Hugging Face上的源代码镜像，旨在提升可发现性。

核心信息

• 许可协议：Apache-2.0
• 标签：terra、地理空间、资源分配、治理、代理AI、对齐、形式化验证、Lean4、DSSE、SLSA、收据链、供应链安全、物理AI
• 语言：英语
• 数据集规模：n < 1K
• 任务类别：其他
• 作者：Stephen P. Lutar（ORCID: 0009-0001-0110-4173）
• DOI：10.5281/zenodo.20434276（概念DOI：10.5281/zenodo.19944926）

数据集内容与用途

• 内容：包含源代码文件，而非机器学习训练数据。
• 用途：作为地理空间与资源分配的基础模块，服务于SZL控制的、在物理世界领域运行的代理。该数据集集成了Λ轴合规性与物理约束求解器。
• 验证：此仓库中的每一项声明均可追溯至一个Zenodo DOI、GitHub提交SHA以及（适用时）基于Mathlib v4.13.0的Lean 4证明。

关键说明

• 非可部署工件：此数据集仅作为可发现性的代码镜像，规范源为上述GitHub仓库。
• 非实时更新：该数据集是特定时间点的快照，对应指定的提交SHA。
• 非完整镜像：排除 .git/、node_modules/ 以及大于50 MB的二进制文件。

快速开始

克隆仓库： bash git clone https://github.com/szl-holdings/terra.git cd terra

使用Hugging Face Datasets库加载： python from datasets import load_dataset ds = load_dataset("SZLHOLDINGS/terra-source")

相关工件交叉引用（节选）

工件	类型	描述
thesis-v18-formal-verification	数据集	206页，76个定理，DOI 10.5281/zenodo.20434276
a11oy-v19-substrate	模型	12项对齐创新，248项测试，DOI 10.5281/zenodo.20434308
uds-spans-receipts	数据集	100个OTel跨度 + 50个DSSE收据
uds-governance-receipts	数据集	治理收据注册表，DSSE认证

引用

bibtex @misc{szlholdings2026terra, author = {SZL Holdings}, title = {Terra — Source Mirror}, year = {2026}, publisher = {Hugging Face}, url = {https://huggingface.co/datasets/SZLHOLDINGS/terra-source}, note = {Source mirror of github.com/szl-holdings/terra. DOI: 10.5281/zenodo.20434276. Doctrine v6.} }

搜集汇总

数据集介绍

构建方式

terra-source数据集是来自于GitHub上szl-holdings/terra仓库的镜像副本，旨在为人工智能治理领域的研究提供可追溯的原始代码源。该数据集通过自动化工具从主仓库同步并镜像至HuggingFace平台，确保了数据源的完整性与版本一致性。其构建过程遵循开源标准，采用Apache 2.0许可协议，以便于学术与工业界复用。数据集规模极小（n<1K），属于轻量级镜像资源，专注于支持治理与代理型人工智能相关议题的形式化验证研究。

使用方法

用户可通过HuggingFace数据集加载工具直接访问terra-source，进行源码级的审查、验证或作为治理形式化方法的基准测试数据。推荐结合BibTeX条目（如Lutar, 2026）正确引用，以遵循学术规范。数据集适用于研究者在代理型AI治理、形式化验证或开源合规性分析等场景中，快速获取权威且可验证的代码镜像，避免直接依赖可能变动的原始GitHub仓库。

背景与挑战

背景概述

terra-source数据集由Stephen P. Lutar及其团队于2026年创建，源自GitHub上的szl-holdings/terra仓库，旨在为自治人工智能治理领域提供正式的验证框架。该数据集的核心研究问题聚焦于通过形式化方法确保代理型AI系统的治理合规性与安全性，尤其针对Ouroboros项目（v18.0）的理论基础。作为AI治理领域的新兴基准资源，terra-source填补了代理型AI验证数据集的空白，其影响力体现在推动从非形式化治理向可验证、可复现的形式化模型的转变，为研究者和从业者提供了标准化的治理协议参考。

当前挑战

数据集面临的领域挑战在于，代理型AI的治理缺乏统一的形式化验证标准，现有方法多依赖非正式规则，难以保证系统在复杂交互中的行为可预测性与合规性。构建过程中，团队需从分散的治理协议中提炼可形式化的约束，并确保数据集的注释与元数据严格遵循Apache 2.0许可下的可验证性要求（Doctrine v6），避免主观性描述。此外，数据集规模较小（n<1K），需在有限样本中平衡治理场景的覆盖度与形式化表达的精确性，这对数据编码的严谨性与跨领域适用性构成核心挑战。

常用场景

经典使用场景

terra-source数据集作为治理与智能体人工智能（Agentic AI）交叉领域的基础性资源，其核心应用场景聚焦于为AI治理的正式验证提供可复现的代码镜像与实验基准。研究者可借助该数据集中的源码仓库，复现Ouroboros框架中关于智能体行为协议、规则约束及合规性检查的验证流程。该数据集特别适用于探讨如何在去中心化系统中嵌入可证明的治理机制，从而构建透明且可审计的AI决策链路。通过源码级别的分析与比对，学术团队能够系统性地评估不同治理策略对智能体系统安全性与鲁棒性的影响。

解决学术问题

该数据集旨在回应智能体人工智能领域长期面临的治理可验证性困境，即如何从形式化层面确保自主智能体的行为符合预定义的社会规范与伦理准则。传统方法多依赖经验性测试或事后审计，难以在系统运行前提供严格的正确性保证。terra-source通过开源Ouroboros验证框架的完整实现，为学术研究提供了可量化的形式化验证工具链，使得研究者能够定义并证明智能体在复杂交互场景下的行为属性。其意义在于推动AI治理从定性描述迈向可计算的形式化阶段，为构建可信赖的自主系统奠定了方法论基础。

实际应用

在实际部署场景中，terra-source数据集为金融监管、供应链管理及自治组织（DAO）等高风险领域提供了治理验证的参考实现。开发团队可基于镜像仓库中的源码，定制符合特定行业合规要求的智能体行为规则，例如在交易系统中验证代理策略是否违反市场公平性原则。该数据集亦适用于教育场景，帮助学员通过实际代码案例理解形式化验证在大模型驱动的智能体系统中的应用流程。此外，企业可将其作为内部审计的技术蓝本，在部署前对智能体决策逻辑进行自动化合规扫描。

数据集最近研究

最新研究方向

terra-source 数据集作为 Ouroboros 智能体 AI 治理框架的源镜像，前沿聚焦于形式化验证与智能体式人工智能治理的交叉领域。该研究通过严谨的数学证明确保去中心化自主系统的行为符合预设伦理与逻辑规范，回应了当前大模型应用激增背景下对可审计、可追责 AI 系统的迫切需求。其意义在于为构建透明且鲁棒的治理体系提供形式化基础，推动自治系统从黑箱操作向可验证可信赖范式演进，是 AI 安全与合规治理领域的关键里程碑。