Rocq prover
PulseAugur coverage of Rocq prover — every cluster mentioning Rocq prover across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法通过标准化交易结构来检测套利
研究人员开发了一种新颖的方法，通过将执行跟踪转换为规范的结构形式来检测金融交易中的套利机会。该系统在 Rocq 中实现，使用可判定的资金流结构等价性来识别套利周期，而不依赖于特定协议的模式。该方法已与 Eigenphi 和 ArbiNet 等现有平台进行了评估，显示出高一致率并发现了大量独有的检测结果。
-
Rocq证明助手实现了Romanov三元组逻辑的形式化验证
研究人员使用Rocq证明助手对Romanov三元组逻辑（TLS）进行了形式化验证，这是该组合框架的首次机械化形式化。该工作详细介绍了核心TLS组件（如紧凑三元组结构（CTS）和简单顶点交集（SVI））的形式化，以及3-CNF公式滑动窗口片段的已验证翻译。一个名为VFR的OCaml原型被提取出来，为该片段提供了一个已验证的决策过程，并为通用的3-CNF提供了一个可靠的过滤器，并附带Python和Docker以实现可复现性。
-
大型语言模型框架PROVE-RT助力为实时系统生成定理证明器脚本
研究人员开发了PROVE-RT，一个旨在协助大型语言模型（LLMs）生成机械化定理证明器脚本的新框架，特别针对实时系统。该系统解决了当前大型语言模型缺乏PROSA/ROCQ定理证明器所需专业知识的挑战。PROVE-RT采用了一种引导式方法，结合了依赖感知的非正式草图和从已处理文档中检索信息，以提高生成脚本的准确性。在评估中，PROVE-RT在生成有效的PROSA机械化方面取得了44.7%的成功率，显著优于直接提示最先进的大型语言模型。
-
Rocq 证明器在程序验证方面超越 Lean
Rocq 证明器在程序验证方面比 Lean 更具优势，尤其是在处理复杂证明和与机器学习技术集成方面。虽然 Lean 是形式化方法的一个强大工具，但 Rocq 的设计旨在简化验证过程并可能提高效率。
-
Rocq 证明器在程序验证方面优于 Lean
作者认为 Rocq 比 Lean 更适合用于程序验证，特别是由于 Rocq 直接支持可执行的共归纳类型和共不动点。虽然 Lean 引入了共归纳谓词，但它无法从中提取可执行程序。Lean 中的一个概念验证包 QPFTypes 试图解决这个问题，但在处理 Rocq 中的标准功能——相互共归纳声明和索引共归纳族方面存在局限性。
-
AI 通过新工具和基准推动形式化证明系统发展 · 跟踪 4 个来源
研究人员为形式化定理证明开发了新工具和基准，该领域与 AI 的相关性日益增强。一篇论文详细介绍了一个用于 Event-B 的交互式序列证明器，该证明器用 Prolog 编码，在教学和证明分析方面具有优势。另一篇论文介绍了 ProB（一个基于 Prolog 的模型检查器）的扩展，用于动画和可视化 Prolog 转换系统，并应用于游戏策略评估和教学。第三项贡献引入了 ITPEval，这是第一个用于在不同交互式定理证明器 (ITP) 之间翻…
-
新方法将形式化数学转换为自然语言，用于AI证明
一篇新论文介绍了一种名为“符号化非形式化”的方法，该方法可以将形式化数学转换为人类可读的自然语言，且不损失精度。这项技术对于解释人工智能生成的证明特别有用。Informath项目旨在通过使用Dedukti作为各种证明系统（如Agda、Lean和Rocq）的中心枢纽，并利用Grammatical Framework处理多种自然语言的语言准确性来实现这一点。
-
ProofWala框架赋能多语言定理证明研究
研究人员开发了ProofWala，一个旨在促进神经方法多语言证明数据合成和定理证明的新框架。该框架包含一个可重用的库，用于与交互式定理证明器（ITPs）进行交互，并支持项目范围内的分析和并行实验。通过在Lean 4和Rocq等不同的ITPs上进行多语言模型训练，该系统展示了改进的跨语言和跨领域迁移能力，在特定数学领域取得了统计学上的显著提升。
-
AI使用证明检查器生成形式化验证代码
研究人员开发了一种名为归纳演绎综合（Inductive Deductive Synthesis）的新AI方法，该方法在其实现循环中使用了证明检查器。这种方法类似于思维链（chain-of-thought），但具有形式化验证的中间状态，使AI能够生成形式化验证的系统。该系统以规范作为输入，并生成经过验证的实现原型，并计划与其他证明助手（如用于Rust输出的Verus）集成。
-
Claude Opus 4.6 自主解决 10 道 Putnam 数学竞赛题
研究人员展示了 Anthropic 的 Claude Opus 4.6，通过专门用于 Rocq 证明助手的工具进行增强，成功证明了 2025 年 Putnam 数学竞赛中的 12 道题中的 10 道。该实验采用了通过模型上下文协议 (MCP) 工具实现的“先编译，交互式回退”策略，这些工具是通过分析先前的证明助手实验而开发的。该 AI 代理在隔离的虚拟机上自主运行，在 17.7 小时的计算时间内部署了 141 个子代理，并处理了约 1…
-
受控元编程将 Eval 重新归类为 AI 系统的受控效应
研究人员推出了一种名为受控元编程的新语言设计，它将从符号结构到可执行代码的转换视为一种受控效应，而不是无限制的原始操作。这种方法旨在调和当 AI 系统在运行时合成可执行代码（例如 LLM 生成程序或代理构建工作流）时发生的权限放大。该系统在允许执行之前分析程序的容量需求、策略合规性和资源估算，并使用一种名为 MashinTalk 的 DSL 来形式化这一过程。
-
AI治理框架实现语义透明和表达最小化
研究人员开发了一种用于治理AI工作流架构的形式化方法，确保在不牺牲内部计算表达能力的情况下实现效果层面的治理。该系统使用Rocq中的交互树构建，可以调解所有有效果的指令，包括内存访问、外部调用和LLM查询。该工作建立了受控的图灵完备性、语义透明度和可判定性边界等属性，证明了治理和表达能力是正交的。
-
AI治理理论通过Coq中的机器校验证明形式化
研究人员为认知工作流系统开发了一个结构化治理的正式系统，其中大部分工作已在Coq中机械化。该系统引入了一个共归纳安全谓词，以确保无限程序行为的治理安全。关键定理确立了跨递归级别的治理一致性以及智能系统的四个核心原语的表达完整性。