SERIAL-7：韩英双语可执行验证基准，十模型全合规率最高 93.9%
论文发布 SERIAL-7，一个韩英双语、面向七种表示形式的机器可验证生成基准，含 177 个规范工件与 43 条原子表示约束。基准将任务拆为语义推导、受约束生成与跨表示保持三段，并配可执行检查。十个模型在 REALIZE-L3 上通过率为 42.0%-93.9%，全合规检查暴露了答案正确之外的工件级失败。