Das Papier stellt Lean4Agent vor, ein Framework, das Lean4 zur formalen Modellierung und Verifizierung des Agentenverhaltens, insbesondere bei LLM-gesteuerten Mehrschritt-Workflows, einsetzt. Es adressiert den Mangel an formalen Methoden in aktuellen Agentensystemen, indem es semantische Konsistenzprüfungen und die Lokalisierung von Laufzeitfehlern ermöglicht.
Diese Forschung stellt ein neuartiges Lern-zu-Verfeinern-Framework vor, um die prohibitiv hohen Rechenkosten von großen Sprachmodellen (LLMs) beim formalen Theorembeweisen zu adressieren. Durch die Nutzung von Compiler-Ausgaben, die diverse Beweisversuche in strukturierte Fehlermodi komprimieren, ermöglicht die Methode eine effiziente Beweiserkundung und lokale Fehlerkorrektur, wodurch die Denkfähigkeiten der Basisprufer erheblich verstärkt werden.
Es wird ein formal verifiziertes Framework für die Patentanalyse als hybride KI + Lean 4 Pipeline vorgestellt. Dies ist die erste bekannte Anwendung von interaktiver Theorembeweisführung auf die Analyse geistigen Eigentums, die die Schwächen bestehender Methoden überwindet.
Dies ist ein v0.0-Entwurf des Papiers 'Rei as a Formal-Verification Compilation Pass for AI-Generated Mathematics', das Reis Vorschlag als formale Verifikations-Kompilationsphase für KI-generierte Hypothesen erläutert. Die aktuelle Validierung befindet sich im Gerüst-Level-Smoke-Run-Stadium, wobei eine vollständige Demonstration für die v0.1-Promotion noch aussteht.
Dieses Papier stellt eine algebraische Semantik für die gesteuerte Ausführung vor, die auf Interaktionsbäumen und parametrisierter Koinuktion basiert und in Rocq mechanisiert wurde. Der Rahmen führt eine GovernanceAlgebra ein, die eine symmetrische monoidale Kategorie und ein algebraisches Effektsystem induziert, das governance-erhaltende Handler sicherstellt.
Dieses Papier stellt BODHI vor, eine Domänenwissens-Prompting-Methode zur Inferenz von Betriebssystemkernel-Spezifikationen, um aktuelle LLM-Einschränkungen zu überwinden. Sie erweitert den Standard-Few-Shot-Prompt mit einem strukturierten C-zu-Python-Übersetzungsleitfaden und verbessert die Automatisierung und Spezifikationsgenauigkeit.
Diese Forschung stellt Verifiable Transformers vor, ein Framework zur Umwandlung aufgabenlokalisierter Transformer-Schaltungen in begrenzte, solver-prüfbare Behauptungen. Es ermöglicht die Überprüfung von Eigenschaften wie funktionale Äquivalenz und Robustheit durch direkte oder surrogat-vermittelte SMT-Kodierung.
NeuroNL2LTL ist eine neurosymbolische Architektur, die gelernte Übersetzung mit formaler Verifikation vereint, um natürliche Sprache in Lineare Temporale Logik zu übersetzen. Sie nutzt ein Training mit Verifizierer im Regelkreis, bei dem Verifikationsergebnisse als Belohnungssignale für Verstärkungslernen dienen, um die formale Korrektheit zu optimieren.