FEAgent：基于程序图的差分代理执行判定代码等价
原文标题：Functionally Equivalent or Not? Graph-Grounded Differential Surrogate Execution for Code Equivalence
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 FEAgent，一种选择性代码等价性评估智能体，结合类型化程序图证据与差分代理执行来判断两段程序是否功能等价。它通过分支感知生成器构造区分性输入，由两个盲测 LLM 代理分别预测源与目标程序的可观测行为，并记录证据账本，最终输出等价、不等价或不确定。在 EquiBench 上，直接执行证实其对 1200 对样本中 216 对（18%）的公开标签判断有误；在 SWE-bench Verified 上，331 个通过测试的补丁中有 94 个（28.4%）与参考补丁行为分歧，说明仅靠单元测试评分会漏掉真实行为差异。
- 问题
- 代码等价性判定中测试覆盖有限、文本相似度混淆实现与行为、LLM判断难审计。
- 方法
- 结合类型化程序图证据与差分代理执行，用分支感知生成器构造输入并由盲测LLM代理预测行为。
- 结果
- EquiBench上1200对中216对（18%）公开标签判断有误；SWE-bench Verified上331个通过补丁中94个（28.4%）与参考行为分歧。
- 影响
- 单元测试通过不等于行为正确，代码生成与补丁验证流程需引入可审计的等价性评估。
深读 · 结论先行AI 生成展开看要点与影响 ↓
FEAgent在EquiBench上证实1200对样本中216对（18%）公开标签判断有误。
- •FEAgent结合类型化程序图证据与差分代理执行，输出等价、不等价或不确定
- •分支感知生成器构造区分性输入，两个盲测LLM代理分别预测源与目标程序行为
- •在EquiBench上直接执行证实1200对样本中216对（18%）公开标签有误
- •SWE-bench Verified上331个通过测试的补丁中94个（28.4%）与参考补丁行为分歧
- •所有分歧均由直接执行裁定，证据记录在账本中
为什么重要：仅靠单元测试评分会漏掉真实行为差异，代码生成评测与补丁验证的基准标签本身可能不可靠。
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。