SWE-Proof：用机器可验证证明评测代码生成
原文标题：SWE-Proof: Can Language Models Resolve Real-World Issues with Machine-Checked Proofs?
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
作者提出 Benchproofer 流水线，将带有已知正确补丁的编码任务转化为形式化验证任务，并据此构建 SWE-Proof，包含 500 个经形式化验证而非测试验证的真实 issue。评测发现测试通过的补丁中有四分之一到一半存在反例，而正确形式化规范可将 Opus 4.8 的解决率从 85% 提升到 95%。让模型自行编写规范仍是难点，仅 62% 通过审计，忠实规范合成成为明确的开放问题。
- 问题
- 代码生成基准用测试套件判正确性不完整且易被记忆，真实 issue 又缺乏形式化规范。
- 方法
- Benchproofer 流水线把带正确补丁的编码任务转为形式化验证任务，经机械与对抗门控后构建 SWE-Proof。
- 结果
- 500 个真实 issue 通过形式化验证；测试通过的补丁中四分之一到一半存在反例；正确形式化规范使 Opus 4.8 解决率从 85% 升至 95%；模型自写规范仅 62% 通过审计。
- 影响
- 暴露测试通过不等于正确，代码 Agent 评测与验证流程应引入形式化规范，忠实规范合成是待解难题。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SWE-Proof用形式化验证替代测试，发现测试通过的补丁中1/4到1/2存在反例。
- •Benchproofer将带已知正确补丁的编码任务转为形式化验证任务
- •据此构建SWE-Proof，含500个经形式化验证的真实issue，并扩展至SWE-bench Pro
- •测试通过的补丁中有四分之一到一半存在反例
- •正确形式化规范可将Opus 4.8解决率从85%提升到95%
- •模型自写规范仅62%通过审计，忠实性合成仍是开放问题
为什么重要：对依赖测试套件评测代码能力的团队，这说明现有基准可能系统性高估模型正确性，形式化验证或成新评测方向。
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。