α,β-CROWN：神经网络形式化验证的五年冠霸主

当 AI 模型出了"故障"，谁来保证它不会伤人？

想象一下：你坐在一辆由神经网络自动驾驶的汽车里，前方突然出现行人——模型能100%保证在那一刻做出正确的决策吗？这种"保证"不是概率上的"很可能"，而是数学上的"绝对"。这正是神经网络形式化验证（Neural Network Verification）要做的事：给 AI 模型的安全性一个数学上的硬证明。

α,β-CROWN（alpha-beta-CROWN） 就是这个领域的最强者——它连续五年（2021-2025）在国际神经网络验证竞赛 VNN-COMP 中夺冠，是该领域毫无争议的技术标杆。

Verified-Intelligence 组织头像

图1：Verified-Intelligence 组织标志

背景：从学术论文到工业级验证框架

α,β-CROWN 由伊利诺伊大学香槟分校（UIUC）Huan Zhang 教授团队主导开发，团队成员还来自 UCLA、哥伦比亚大学、密歇根大学、卡内基梅隆大学等多所顶尖机构。项目自 2021 年开源以来，已经成为神经网络验证领域引用最广泛的工具之一。

在 AI 安全日益重要的今天，形式化验证解决了传统测试方法无法覆盖的"对抗样本"问题——攻击者通过对输入做微小人眼不可察觉的扰动，就能让神经网络输出完全错误的结论。传统测试无法穷举所有可能的对抗输入，而 α,β-CROWN 通过数学证明来保证：在这个扰动范围内，模型绝对不会出错。

核心技术：边界传播 + 分支定界

α,β-CROWN 的核心技术建立在线性边界传播（Linear Bound Propagation）框架之上，融合了多个里程碑式算法：

1. CROWN（2018）— 奠基之作

CROWN 将网络验证问题转化为线性不等式的反向传播。信息沿着网络反向流动，每一层都用线性边界来近似激活函数的真实行为。计算复杂度接近线性，远快于基于混合整数规划（MIP）的传统方法。

2. auto_LiRPA（2020）— 泛化引擎

auto_LiRPA 将 CROWN 扩展到任意计算图，不限于标准神经网络层。它支持：

多种激活函数：ReLU、sigmoid、tanh、sin、cos、gelu
复杂架构：残差连接、Transformer、LSTM、自定义计算图
GPU 加速，PyTorch 原生集成

3. α-CROWN / β-CROWN（2021）— 完整验证

α-CROWN：通过可学习参数 α 联合优化中间层和输出层边界，比 LP 方法更强大
β-CROWN：引入分支定界（Branch and Bound, BaB）框架，在 bound propagation 基础上加入 ReLU 分割约束，在完备性和效率之间取得最佳平衡

4. GCP-CROWN（2022）— 切割平面

在 bound propagation 框架内引入通用切割平面（Cutting Planes），使用 IBM CPlex 求解器进一步收紧边界。

5. BaB-Attack（2022）— 对抗攻击

基于分支定界的对抗攻击，专门解决传统梯度攻击和输入空间搜索无法攻克的"硬样本"。

6. GenBaB（2024/2025）— 通用非线性

将分支定界扩展到非 ReLU 非线性函数（如 Transformer 中的 softmax、gelu），支持高维输入的通用非线性网络验证。

7. BICCOS（2024）— 自适应切割平面

在分支定界过程中自适应生成切割平面，无需 MIP 求解器，效率和可扩展性大幅提升。

8. Clip-and-Verify（2025）— 线性约束加速

最新成果（NeurIPS 2025），高效处理线性约束，显著减少分支定界子问题数量，加速复杂验证任务。

主要功能：不止于鲁棒性验证

虽然 α,β-CROWN 最初为对抗鲁棒性验证设计，但它已扩展到更广泛的领域：

验证场景	说明
对抗鲁棒性	Lp 范数扰动下的安全边界证明
Lyapunov 稳定性	神经网络控制器的李雅普诺夫稳定性证明
预像分析	计算神经网络的可达集（backward reachability）
通用属性验证	VNNLIB 格式，支持任意线性约束
AC 最优潮流	电力系统中神经网络控制器的安全验证

支持的网络架构：MLP、CNN、ResNet、Transformer、LSTM、残差网络、自定义计算图。

支持的规范格式：Lp 范数扰动（L1/L2/Linf）、VNNLIB 格式（VNN-COMP 标准）、任意线性输出约束。

安装与使用：学术级门槛

环境要求

α,β-CROWN 对环境有较高要求，建议具备以下条件：

Python 3.11（必需）
NVIDIA GPU + CUDA >= 12.6（强烈推荐，GPU 加速显著）
uv 包管理器（推荐）或 pip
Gurobi License（仅使用 MIP 模式时必需，默认安装含免费受限版）
IBM CPlex（仅使用 GCP-CROWN 时需安装）

安装步骤

# 安装 uv 包管理器
curl -LsSf https://astral.sh/uv/install.sh | sh

# 克隆仓库（含 auto_LiRPA 子模块）
git clone --recursive https://github.com/Verified-Intelligence/alpha-beta-CROWN.git
cd alpha-beta-CROWN

# 创建并激活虚拟环境
uv sync
source .venv/bin/activate

# 如使用 V100 等旧 GPU，回退 PyTorch 版本
uv pip install --reinstall torch==2.11.0 torchvision --index-url https://download.pytorch.org/whl/cu126

使用方式

方式一：新 Python API（推荐，2025年新增）

from complete_verifier import abcrown

result = abcrown.verify(
    model=model,
    inputs=input_bound,
    spec=spec,
    config="default"
)

方式二：命令行 + YAML 配置

cd complete_verifier
python abcrown.py --config exp_configs/tutorial_examples/cifar_resnet_2b.yaml

提供大量预设配置文件，覆盖 MNIST、 CIFAR-10/100、 TinyImageNet、 ACASXu、 NN4sys、 ML4ACOPF 等基准测试。

代码架构：三个核心模块

alpha-beta-CROWN/
├── abcrown/                    # Python 包入口（对外 API）
│   └── abcrown_smt/            # SMT 求解器适配
├── complete_verifier/          # 核心验证引擎
│   ├── api.py                  # 新 Python API（155KB，核心）
│   ├── arguments.py            # 参数解析（96KB，YAML 配置映射）
│   ├── beta_CROWN_solver.py    # β-CROWN 求解器（63KB）
│   ├── bab.py                  # 分支定界框架（24KB）
│   ├── branching_domains.py     # 分支域管理（50KB）
│   ├── domain_clipper.py       # Clip-and-Verify 线性约束处理（52KB）
│   ├── attack/                 # 对抗攻击模块
│   │   ├── bab_attack.py       # BaB-Attack
│   │   └── attack_pgd.py       # PGD 攻击
│   ├── activation_split/       # 激活函数分割策略
│   ├── cuts/                   # 切割平面生成
│   └── exp_configs/            # 大量 YAML 验证配置
├── auto_LiRPA/                 # 子模块：线性边界传播引擎
├── vnncomp_scripts/            # VNN-COMP 竞赛脚本
└── pyproject.toml              # 依赖：PyTorch 2.11 + ONNX + Gurobi + ...

依赖生态：PyTorch 2.11、ONNX 全套工具链（onnx2pytorch、onnxruntime、onnxoptimizer、onnxsim）、Gurobi（可选 MIP）、Pandas、SymPy。

优势与局限

优势

五年连冠：VNN-COMP 2021-2025 冠军，竞赛验证的实力保证
GPU 加速：bound propagation 在 GPU 上高效运行，可扩展到百万参数网络
架构通用：不只是 ReLU 网络，支持 Transformer、LSTM 等复杂架构
学术引用丰富：背后有多篇 NeurIPS/ICML/ICLR/TACAS 顶级会议论文支撑
持续活跃：最近更新（2026年6月），团队持续维护

局限

安装门槛高：CUDA 版本、PyTorch 兼容性、子模块克隆等对新手不友好
无容器化部署：没有 Dockerfile/docker-compose，无法一键运行
Gurobi 许可证：MIP 模式需要商业许可证（虽然基础功能免费）
无 Web UI：纯 CLI 工具，缺乏可视化界面

行业意义：AI 安全的基础设施

α,β-CROWN 的价值不仅在于它是竞赛冠军，更在于它代表了一种趋势——AI 系统的安全性需要可证明的保证，而不是靠"测试了很多次没出错"来安慰自己。随着神经网络在自动驾驶、医疗诊断、金融风控等高风险场景的落地，形式化验证正在从学术研究走向工业应用。

α,β-CROWN 五年的持续领先说明：在这个赛道上，工程能力和学术创新缺一不可——既要有深刻的算法理解，也要有能处理真实规模网络的工程实现。

项目信息

仓库：Verified-Intelligence/alpha-beta-CROWN
语言：Python
Stars：378 | Forks：94
主要依赖：PyTorch 2.11、ONNX、Gurobi（可选）
许可：BSD-3-Clause
领导者：Huan Zhang（UIUC）
官网：abcrown.org

α,β-CROWN：神经网络形式化验证的五年冠霸主

当 AI 模型出了"故障"，谁来保证它不会伤人？

Verified-Intelligence 组织头像

图1：Verified-Intelligence 组织标志

背景：从学术论文到工业级验证框架

核心技术：边界传播 + 分支定界

α,β-CROWN 的核心技术建立在线性边界传播（Linear Bound Propagation）框架之上，融合了多个里程碑式算法：

1. CROWN（2018）— 奠基之作

2. auto_LiRPA（2020）— 泛化引擎

auto_LiRPA 将 CROWN 扩展到任意计算图，不限于标准神经网络层。它支持：

多种激活函数：ReLU、sigmoid、tanh、sin、cos、gelu
复杂架构：残差连接、Transformer、LSTM、自定义计算图
GPU 加速，PyTorch 原生集成

3. α-CROWN / β-CROWN（2021）— 完整验证

α-CROWN：通过可学习参数 α 联合优化中间层和输出层边界，比 LP 方法更强大
β-CROWN：引入分支定界（Branch and Bound, BaB）框架，在 bound propagation 基础上加入 ReLU 分割约束，在完备性和效率之间取得最佳平衡

4. GCP-CROWN（2022）— 切割平面

在 bound propagation 框架内引入通用切割平面（Cutting Planes），使用 IBM CPlex 求解器进一步收紧边界。

5. BaB-Attack（2022）— 对抗攻击

基于分支定界的对抗攻击，专门解决传统梯度攻击和输入空间搜索无法攻克的"硬样本"。

6. GenBaB（2024/2025）— 通用非线性

将分支定界扩展到非 ReLU 非线性函数（如 Transformer 中的 softmax、gelu），支持高维输入的通用非线性网络验证。

7. BICCOS（2024）— 自适应切割平面

在分支定界过程中自适应生成切割平面，无需 MIP 求解器，效率和可扩展性大幅提升。

8. Clip-and-Verify（2025）— 线性约束加速

最新成果（NeurIPS 2025），高效处理线性约束，显著减少分支定界子问题数量，加速复杂验证任务。

主要功能：不止于鲁棒性验证

虽然 α,β-CROWN 最初为对抗鲁棒性验证设计，但它已扩展到更广泛的领域：

验证场景	说明
对抗鲁棒性	Lp 范数扰动下的安全边界证明
Lyapunov 稳定性	神经网络控制器的李雅普诺夫稳定性证明
预像分析	计算神经网络的可达集（backward reachability）
通用属性验证	VNNLIB 格式，支持任意线性约束
AC 最优潮流	电力系统中神经网络控制器的安全验证

支持的网络架构：MLP、CNN、ResNet、Transformer、LSTM、残差网络、自定义计算图。

支持的规范格式：Lp 范数扰动（L1/L2/Linf）、VNNLIB 格式（VNN-COMP 标准）、任意线性输出约束。

安装与使用：学术级门槛

环境要求

α,β-CROWN 对环境有较高要求，建议具备以下条件：

Python 3.11（必需）
NVIDIA GPU + CUDA >= 12.6（强烈推荐，GPU 加速显著）
uv 包管理器（推荐）或 pip
Gurobi License（仅使用 MIP 模式时必需，默认安装含免费受限版）
IBM CPlex（仅使用 GCP-CROWN 时需安装）

安装步骤

# 安装 uv 包管理器
curl -LsSf https://astral.sh/uv/install.sh | sh

# 克隆仓库（含 auto_LiRPA 子模块）
git clone --recursive https://github.com/Verified-Intelligence/alpha-beta-CROWN.git
cd alpha-beta-CROWN

# 创建并激活虚拟环境
uv sync
source .venv/bin/activate

# 如使用 V100 等旧 GPU，回退 PyTorch 版本
uv pip install --reinstall torch==2.11.0 torchvision --index-url https://download.pytorch.org/whl/cu126

使用方式

方式一：新 Python API（推荐，2025年新增）

from complete_verifier import abcrown

result = abcrown.verify(
    model=model,
    inputs=input_bound,
    spec=spec,
    config="default"
)

方式二：命令行 + YAML 配置

cd complete_verifier
python abcrown.py --config exp_configs/tutorial_examples/cifar_resnet_2b.yaml

提供大量预设配置文件，覆盖 MNIST、 CIFAR-10/100、 TinyImageNet、 ACASXu、 NN4sys、 ML4ACOPF 等基准测试。

代码架构：三个核心模块

alpha-beta-CROWN/
├── abcrown/                    # Python 包入口（对外 API）
│   └── abcrown_smt/            # SMT 求解器适配
├── complete_verifier/          # 核心验证引擎
│   ├── api.py                  # 新 Python API（155KB，核心）
│   ├── arguments.py            # 参数解析（96KB，YAML 配置映射）
│   ├── beta_CROWN_solver.py    # β-CROWN 求解器（63KB）
│   ├── bab.py                  # 分支定界框架（24KB）
│   ├── branching_domains.py     # 分支域管理（50KB）
│   ├── domain_clipper.py       # Clip-and-Verify 线性约束处理（52KB）
│   ├── attack/                 # 对抗攻击模块
│   │   ├── bab_attack.py       # BaB-Attack
│   │   └── attack_pgd.py       # PGD 攻击
│   ├── activation_split/       # 激活函数分割策略
│   ├── cuts/                   # 切割平面生成
│   └── exp_configs/            # 大量 YAML 验证配置
├── auto_LiRPA/                 # 子模块：线性边界传播引擎
├── vnncomp_scripts/            # VNN-COMP 竞赛脚本
└── pyproject.toml              # 依赖：PyTorch 2.11 + ONNX + Gurobi + ...

依赖生态：PyTorch 2.11、ONNX 全套工具链（onnx2pytorch、onnxruntime、onnxoptimizer、onnxsim）、Gurobi（可选 MIP）、Pandas、SymPy。

优势与局限

优势

五年连冠：VNN-COMP 2021-2025 冠军，竞赛验证的实力保证
GPU 加速：bound propagation 在 GPU 上高效运行，可扩展到百万参数网络
架构通用：不只是 ReLU 网络，支持 Transformer、LSTM 等复杂架构
学术引用丰富：背后有多篇 NeurIPS/ICML/ICLR/TACAS 顶级会议论文支撑
持续活跃：最近更新（2026年6月），团队持续维护

局限

安装门槛高：CUDA 版本、PyTorch 兼容性、子模块克隆等对新手不友好
无容器化部署：没有 Dockerfile/docker-compose，无法一键运行
Gurobi 许可证：MIP 模式需要商业许可证（虽然基础功能免费）
无 Web UI：纯 CLI 工具，缺乏可视化界面

行业意义：AI 安全的基础设施

α,β-CROWN 五年的持续领先说明：在这个赛道上，工程能力和学术创新缺一不可——既要有深刻的算法理解，也要有能处理真实规模网络的工程实现。

项目信息

仓库：Verified-Intelligence/alpha-beta-CROWN
语言：Python
Stars：378 | Forks：94
主要依赖：PyTorch 2.11、ONNX、Gurobi（可选）
许可：BSD-3-Clause
领导者：Huan Zhang（UIUC）
官网：abcrown.org

社区活跃度

α,β-CROWN：神经网络形式化验证的五年冠霸主

当 AI 模型出了"故障"，谁来保证它不会伤人？

背景：从学术论文到工业级验证框架

核心技术：边界传播 + 分支定界

1. CROWN（2018）— 奠基之作

2. auto_LiRPA（2020）— 泛化引擎

3. α-CROWN / β-CROWN（2021）— 完整验证

4. GCP-CROWN（2022）— 切割平面

5. BaB-Attack（2022）— 对抗攻击

6. GenBaB（2024/2025）— 通用非线性

7. BICCOS（2024）— 自适应切割平面

8. Clip-and-Verify（2025）— 线性约束加速

主要功能：不止于鲁棒性验证

安装与使用：学术级门槛

环境要求

安装步骤

使用方式

代码架构：三个核心模块

优势与局限

优势

局限

行业意义：AI 安全的基础设施

社区活跃度

α,β-CROWN：神经网络形式化验证的五年冠霸主

当 AI 模型出了"故障"，谁来保证它不会伤人？

背景：从学术论文到工业级验证框架

核心技术：边界传播 + 分支定界

1. CROWN（2018）— 奠基之作

2. auto_LiRPA（2020）— 泛化引擎

3. α-CROWN / β-CROWN（2021）— 完整验证

4. GCP-CROWN（2022）— 切割平面

5. BaB-Attack（2022）— 对抗攻击

6. GenBaB（2024/2025）— 通用非线性

7. BICCOS（2024）— 自适应切割平面

8. Clip-and-Verify（2025）— 线性约束加速

主要功能：不止于鲁棒性验证

安装与使用：学术级门槛

环境要求

安装步骤

使用方式

代码架构：三个核心模块

优势与局限

优势

局限

行业意义：AI 安全的基础设施