SZLHOLDINGS/sentra-source

Sentra源仓库镜像——6门AI安全器官。包含Lean 4中的门实现、用于门决策的DSSE收据发射器、所有44个锚定公式门的测试夹具以及集成测试。Sentra源为sentra-security-gates空间提供数据。门定义与形式验证语料库中的锚定公式一一对应。Sentra source repository mirror — 6 AI security gates. It includes the gate implementations in Lean 4, the DSSE receipt transmitter for gate decision-making, test fixtures for all 44 anchored formula gates, and integration tests. Sentra source provides data for the sentra-security-gates space. The gate definitions are in one-to-one correspondence with the anchored formulas in the formal verification corpus.

原始信息汇总

数据集概述

基本信息

• 数据集名称: sentra-source
• 维护组织: SZLHOLDINGS
• 任务类型: Other
• 语言: English
• 数据集规模: n<1K
• 许可证: Apache-2.0
• 标签: formal-verification, lean4, mathlib, dsse, governance, agentic-ai 等

数据集描述

该数据集是 sentra（6 门 AI 安全组织）的源仓库镜像，遵循 Doctrine v7 标准（无营销语言，每个数字均可解析为 CI 日志、Lean 证明或 Zenodo DOI）。包含：

• Lean 4 中的门（gate）实现
• DSSE 收据发射器（用于门决策）
• 全部 44 个锚公式门的测试夹具
• 集成测试

sentra source 为 sentra-security-gates 空间提供数据，门定义与正式验证语料库中的锚公式一一对应。

当前状态（截至 2026-05-30）

指标	数值	验证来源
Lean 声明	626	lutar-lean@7ef33a6
Lean 公理	15 (14 个唯一)	A1–A18 honest gap
Lean sorries	138 基线 + 51 Putnam = 189 总计	PR #109 已解决 P6+P7
锚公式	44 个已指定	a11oy#114
Kernel green	Mathlib 4.13.0 d7317655	PR #106
HF Spaces	27	SZLHOLDINGS 组织
HF Datasets	31	SZLHOLDINGS 组织
Zenodo DOIs	6 个发布 + 1 个别名概念	10.5281/zenodo.20434276
RAE-1 协议	已合并	a11oy#122
Putnam 2025 覆盖率	10/12 结构 · 4/12 GREEN Lean 已证明 (A1, A5, B4, B6)	agi-forecast PR #51

交叉引用

• 论文：Ouroboros Thesis v18 · DOI 10.5281/zenodo.20434276
• Lean 伴侣：lutar-lean · DOI 10.5281/zenodo.20424992
• 收据：MCP 服务器 · szlholdings-mcp-receipts-server.hf.space
• 测试结果：SZLHOLDINGS/test-results
• 目录：SZLHOLDINGS on HuggingFace
• 源码：sentra-source on GitHub

来源信息

字段	值
生态系统阶段	generated-mirror
MCP 网关	szlholdings-mcp-receipts-server.hf.space
Doctrine	v7
论文 DOI	10.5281/zenodo.20434276
Lean 伴侣 DOI	10.5281/zenodo.20424992
作者	Stephen Paul Lutar Jr. · ORCID 0009-0001-0110-4173

其他统计

• 近月下载量: 28
• 总文件大小: 3.87 MB
• 所属合集: AI Safety + Alignment Scanners（包含 2 项内容，约 13 小时前更新）

搜集汇总

数据集介绍

构建方式

在形式化验证与人工智能安全治理的交叉领域中，sentra-source 数据集作为 sentra AI 安全器官的源仓库镜像而构建。该数据集完整收录了用 Lean 4 编写的安全门实现、用于门决策的 DSSE 收据发射器、全部 44 个锚定公式门的测试固件及其集成测试代码。构建过程严格遵循 Doctrine v7 原则，确保每一项指标均可溯源至 CI 日志、Lean 证明或 Zenodo DOI，由此形成了从形式化验证到安全治理的闭环数据资产。

特点

该数据集的核心特质在于其高度的可验证性与完备性。包含 626 个 Lean 声明、15 个公理及 189 个待证明断言，覆盖了 44 个锚定公式门，其内核已通过 Mathlib 4.13.0 的绿色验证。同时，数据集与 27 个 HuggingFace Spaces、31 个数据集及 6 个 Zenodo 发布版本构成跨引用网络，实现了从代码实现到形式化证明、再到可复现实验的全链路可追溯。

使用方法

使用者可直接从 HuggingFace 仓库镜像获取数据，并利用 Lean 4 环境加载声明与公理进行形式化验证。通过配套的 MCP 收据服务器可查询门决策的 DSSE 收据，结合 SZLHOLDINGS 组织下的测试结果数据集与阶段矩阵，研究人员能够复现每个锚定公式门的验证流程，进而开展 AI 安全治理中的形式化证明与系统审计工作。

背景与挑战

背景概述

sentra-source（安全门镜像）是由Stephen Paul Lutar Jr.主导、SZLHOLDINGS组织于2025年发布的一个形式化验证数据集，旨在为人工智能系统提供可数学证明的安全治理框架。该数据集基于Lean 4定理证明器与mathlib库构建，包含44个锚定公式门的形式化规约与626条Lean声明，核心研究问题在于将AI安全从依赖启发式测试的可信模式，转变为每个安全决策都能被形式化验证的确定性系统。作为Ouroboros论文（DOI:10.5281/zenodo.20434276）的配套资源，sentra-source通过DSSE协议生成可审计的接收凭证，推动AI安全治理迈向可追溯、可复现的新阶段，对形式化验证与AI对齐领域产生了深远影响。

当前挑战

sentra-source面临的挑战首先体现在AI安全治理领域的根本性难题：传统安全测试无法提供数学层面的保证，而该数据集需要通过Lean形式化验证将44个安全门映射为不可辩驳的定理，这要求在推理器设计与协议规约上实现零漏洞的精确性。其次，构建过程中面临极低的容忍度——626条声明中仍需处理189个未完成的证明（sorries），且Putnam数学竞赛问题的编码进一步加剧了验证复杂度；同时，数据集需与CI日志、Zenodo DOI、MCP网关等数十个组件保持原子级的一致性引用，任何链路的断裂都会破坏Doctrine v7所承诺的“每个数字都可解析为证明”的诚信原则，这对系统的鲁棒性与维护生态构成了严峻挑战。

常用场景

经典使用场景

在形式化验证与人工智能安全交叉的前沿领域，sentra-source数据集被广泛用于对数学定理进行Lean 4证明的标准化基准测试。该数据集收录了44条锚定公式门控（anchor formula gates）的实现，并提供了626个Lean声明与189个待解断言（sorries），为研究者评估自动定理证明器和形式化验证工具的效能提供了可复现的裁判场。其核心应用场景在于，通过门控定义与形式验证语料库的一一映射，构建起从数学命题到可执行验证管线的无断层链路，使得模型在Lean内核上的求解能力与安全合规性得以被精确度量。

衍生相关工作

围绕sentra-source数据集已衍生出多项具有影响力的学术与工程工作。其配套的lutar-lean形式化验证库（DOI: 10.5281/zenodo.20424992）与Ouroboros Thesis v18（DOI: 10.5281/zenodo.20434276）构成了数据集的理论基石。RAE-1协议的合并（a11oy#122）标志着可审计执行协议标准的正式确立。此外，基于该数据集构建的MCP收据服务器与SLSA L1级别的软件物料清单（SBOM）实践，为后续研究者在形式化验证与AI治理交叉领域开展可复现、可证伪的实验提供了标准化的参考框架与互操作协议。

数据集最近研究

最新研究方向

在形式化验证与人工智能安全交汇的前沿，sentra-source数据集作为一套基于Lean 4实现的6门控AI安全组织镜像，近期聚焦于将可证明的数学基础嵌入AI治理管线。其核心创新在于利用DSSE收据发射器与44个锚定公式门控，实现了从Lean定理证明到安全决策的端到端形式化链接。结合Putnam数学竞赛的Lean形式化进展（当前已成功消解4/12结构），该数据集推动了AI系统在安全关键场景下的可审计性与可验证性，为构建基于形式化证明的Agentic AI安全框架提供了坚实的数据与基础设施支撑。