English(EN) Curriculum proof repair with learned counterexamples

新的AI框架TopoVerus助力软件证明修复

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了TopoVerus，一个旨在改进形式软件验证中证明修复过程的新框架。该系统利用大型语言模型生成反例，与验证器的简单通过/失败信号相比，反例提供了更具可操作性的反馈。TopoVerus的目标是通过训练模型将其生成反例作为诊断目标，以提高证明修复的成功率，从而在一次运行中生成有用的反例。该框架还引入了一个课程，根据拓扑依赖关系指导不变式修复，在多个基准测试中优于Claude Sonnet 4.5等现有方法。 AI

影响增强了AI在形式软件验证中的作用，有望加速开发更可靠、更安全的软件。

排序理由详细介绍一种新的基于AI的软件验证框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 37 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍一种新的基于AI的软件验证框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yuechun Sun, Jun Yang, Kexin Pei · 2026-11-11 05:00

利用学习到的反例修复课程证明

arXiv:2611.13627v1 Announce Type: cross Abstract: Language models (LMs) have substantially lowered the barrier to applying formal verification for building reliable and secure software. Existing approaches commonly follow the verifier-in-the-loop paradigm, but the verifier often …

本文如何被排名

报道来源 [1]

利用学习到的反例修复课程证明

相关实体

相关话题