arXiv 论文揭示跨智能体 LLM 转 Dafny 形式化验证不等于一致
原文标题：When Verification Is Not Agreement: Cross-Agent LLM-to-Dafny Formalization
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出跨智能体形式化协议：Specifier 模型把临床试验标准翻译为 Dafny 谓词，Implementer 模型编写方法并接受校验。在 96 份临床试验文档上，同模型对照的一致率仅 59.3%，能力分配方式对一致率影响极大，最强配置也仅 34.4%。研究还发现弱 Implementer 直接调用 Specifier 谓词即可通过后置条件校验的验证伪影。
- 问题
- Dafny 后置条件通过只证明公式成立，不能保证结果来自真正独立的推理。
- 方法
- 跨智能体协议：Specifier 模型把临床试验标准译成 Dafny 谓词，Implementer 模型写方法并接受校验。
- 结果
- 96 份文档上同模型对照一致率仅 59.3%，最强配置 34.4%，弱 Implementer 直接调用谓词可伪造通过。
- 影响
- 验证成功不足以作为跨智能体一致的证据，多智能体形式化流水线需结构审计。
深读 · 结论先行AI 生成展开看要点与影响 ↓
跨智能体 Dafny 形式化中同模型对照一致率仅 59.3%，最强配置也只有 34.4%，验证通过不等于独立一致。
- •协议中 Specifier 模型把临床试验标准译为 Dafny 谓词，Implementer 模型写方法并接受校验
- •同模型对照显示即使无能力差距，从同一文本独立重抽取的一致率仅 59.3%
- •GPT-4.1-nano/GPT-4.1-mini 在强模型做 Implementer 时一致率 53.0%，角色反转后仅 14.3%
- •最强配置 GPT-5.6-luna/GPT-5.4-mini 一致率 34.4%，仍低于同模型基线，且 42.7% 为直接矛盾
- •发现验证伪影：弱 Implementer 直接调用 Specifier 谓词即可通过后置条件，结构审计后一致率从 14.3% 降至 13.2%
为什么重要：对用形式化验证做多智能体交叉校验的团队，这条指出验证成功不能作为独立推理一致的证据，能力更强也不保证一致。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。