Bản gốc tiếng Anh: https://argusic.com/subject/formal-verification-rsi
Formal-Verification-RSI
Xác minh hình thức cho AI: một trình kiểm tra chứng minh Lean 4 + Dafny giúp phát hiện các chứng minh AI giả (reward hacking), và tự cải thiện đệ quy được xác minh (RSI) cho các coding agents. AI cho toán học, vật lý và kỹ thuật phần mềm.
Chạy được với mocknguồn: GitHubtrang chủ dự ánPythonMITcommit 177a62d5847d
Python, giấy phép MIT. Dự án tự gắn nhãn: ai agents, ai for math, ai for science, ai safety, autoformalization, automated theorem proving, coding agents và dafny.
Formal-Verification-RSI chạy được, với dịch vụ giả lập thay cho các dịch vụ nó phụ thuộc. Trên một máy sạch không có GPU, một agent của Argusic đã cài đặt nó trong 0,5 phút, gặp 1 lỗi và tự sửa hết mà không cần trợ giúp, và toàn bộ phiên làm việc được ghi lại.
160 hermetic Python tests pass (170 skipped for missing Lean/Dafny toolchains); pip install completes; all modules import; 4 previously-failing snapshot-integrity tests fixed and passing.
Kết quả agent đạt được trên máy sạch, bằng chính lời của nó. Cách đo
Argusic đo trên một máy mới mỗi lần. Mỗi con số đều link tới bằng chứng của nó. Điểm Argusic 92 trên 100 (trung bình điểm các lần chạy của dự án này).
Tóm tắt
Dữ liệu dự án lấy từ GitHub, có link ở đầu trang, cập nhật . Dữ liệu test của Argusic (CC BY 4.0); mỗi con số đều link tới một trang run có đầy đủ log, bản ghi và mã sha256 của chúng.
Những gì đã đo
Lấy từ lần chạy quyết định kết luận này. Mỗi dòng là một giá trị được ghi lại, không phải ước tính.
Những gì trục trặc, bằng chính lời của agent
Lời của chính agent, lỗi nặng nhất trước, không bao giờ viết lại thành lời khuyên.
- Test Agent snapshot manifests had temp paths instead of /app, causing all 4 snapshot-integrity tests to fail with 0 graded files15 phút
- Thời gian cài đặt
- dưới một phút
- Từ máy sạch đến khi xong
- 81 phút
- Lỗi gặp và đã sửa
- gặp 1, tự sửa 1 mà không cần người giúp
- Cách chứng minh kết quả
- pytest tests/ --ignore=tests/test_fv_curate.py --ignore=tests/test_fv_analyze.py exited 0, 160 passed, 170 skipped
- Số token model đã dùng
- 678.568
- Commit chính xác đã test
- 177a62d5847d
- Container image
- sha256:cdd920bce783
Những gì chưa đo
Nửa còn lại, để bạn thấy rõ bằng chứng này đi xa tới đâu. Chỗ trống được ghi là chỗ trống và không bao giờ được lấp vào.
- Bộ nhớ GPU cao nhất
- lần này chạy trên máy CPU, nên không có GPU để đo
- Hoạt động khi chạy lâu
- mỗi lần thử dùng cấu hình nhỏ nhất có trong tài liệu và một khoảng thời gian cố định, nên đây là đo xem nó có chạy hay không, không đo nó chịu tải ra sao
- Hoạt động với dịch vụ thật
- lần chạy này chỉ được kiểm chứng với dịch vụ giả lập
Đoạn cuối của bản ghi
Những dòng cuối của phiên terminal đã quyết định kết luận này, đúng như khi được ghi lại.
3. **B1.tar.gz corruption didn't break tar-sha comparison**: Appending a null byte to a gzip-compre… **4 failing tests → all passing**: `test_ab_only_agent_has_no_c_and_gate_check_error_does_not_resum… tokens used 678,568 Here's my final report on the mission. **Install**: The project installed cleanly via `pip install -e ".[dev]"` in a venv. Python 3.12.3 i… **Tests**: 160 pass, 170 skip. The 170 skips are all due to missing Lean (4.23.0-rc2) and Dafny (4.… **Bugs found and fixed in the test suite** (`tests/test_fv_regrade.py`): 1. **Test Agent's snapshot paths didn't match `read_snapshot` expectations**: The test `Agent` clas… 2. **`_regrade` helper used wrong `app_dir`**: It passed `app_dir=str(tmp / "box" / "app")` instead… 3. **B1.tar.gz corruption didn't break tar-sha comparison**: Appending a null byte to a gzip-compre… **4 failing tests → all passing**: `test_ab_only_agent_has_no_c_and_gate_check_error_does_not_resum…
Xem lại toàn bộ phiên, mọi lệnh từ máy sạch tới thời điểm này.
Cách test
Một agent, một container, không có người giúp. Agent cài dự án theo đúng cách tài liệu của dự án hướng dẫn, chạy nó, và sửa những gì bị hỏng. Mọi thứ bên dưới được ghi lại đúng như đã diễn ra: phiên terminal, log và commit chính xác. Toàn bộ phương pháp.
Điểm mạnh và giới hạn
Dữ kiện đo được, không phải ý kiến. Cách viết nội dung.
Những gì suôn sẻ
- Cài đặt trong 0,5 phút, nhanh hơn trung vị của 110 dự án tương đương mà Argusic đã đo.
- Tự khắc phục cả 1 lỗi mà không cần người can thiệp, cho thấy các lỗi được ghi trong tài liệu đủ rõ để giải quyết.
- Giấy phép MIT, theo thông tin từ nơi lưu trữ dự án.
Những gì không suôn sẻ, hoặc chưa biết
- Chỉ đạt trạng thái chạy được với dịch vụ giả lập, nên ở đây không có gì chứng minh nó chạy với dịch vụ thật.
- Mới đo một lần. Một lần thử cho thấy nó có thể chạy, chưa cho thấy nó chạy ổn định.
Trong 111 dự án ai-agents mà Argusic đã cài đặt và bấm giờ, Formal-Verification-RSI đứng thứ 10 về tốc độ đạt trạng thái chạy được, và 83 trên 111 dự án đạt được trạng thái đó.
Cũng đã test, cùng lĩnh vực
Mỗi dự án ở đây đều được Argusic cài đặt và chạy trên máy sạch. Không có dự án nào chưa test xuất hiện ở đây.
Lịch sử chạy
| test bởi | lần thử | kết quả | điểm | chi phí USD | thời điểm |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Chạy được với mock | 92,00 | 0,29 |
Chủ đề (từ GitHub)
ai-agentsai-for-mathai-for-scienceai-safetyautoformalizationautomated-theorem-provingcoding-agentsdafnyformal-methodsformal-verificationlean4llmprogram-verificationproof-assistantrecursive-self-improvementreward-hackingrsiself-improving-aitheorem-provingverified-code
Nhúng badge
Markdown cho README của dự án. Badge link về trang này; điều khoản ở trang điều khoản.
[](https://argusic.com/subject/formal-verification-rsi)Câu hỏi
- Formal-Verification-RSI có chạy được không?
- Formal-Verification-RSI chạy được, với mock thay cho các dịch vụ bên ngoài. Argusic đã cài đặt và khởi chạy nó trên một máy sạch trong 1 phút, gặp 1 lỗi trên đường đi, và ghi lại phiên làm việc.
- Argusic đã test Formal-Verification-RSI như thế nào?
- Trên một máy mới, dùng một lần, mọi lệnh đều được ghi lại và repo được ghim ở commit 177a62d5847d. Có một lần thử được ghi lại, và toàn bộ phương pháp nằm ở trang phương pháp.
- Test Formal-Verification-RSI tốn bao nhiêu?
- Lần chạy đưa ra kết luận này tốn 0,29 USD: chi phí máy và model thật, không phải giá niêm yết theo triệu token. Con số được ghi trên trang của lần chạy đó.
- Cài đặt Formal-Verification-RSI mất bao lâu?
- 0,5 phút trong lần chạy quyết định kết luận này, từ máy sạch đến trạng thái chạy được. Đó là một lần thử đo được, không phải số trung bình.
- Formal-Verification-RSI có cần GPU không?
- Không cần để khởi động. Argusic đã đạt trạng thái chạy được trên một máy không có GPU.
- Cài đặt Formal-Verification-RSI thì gặp lỗi gì?
- 1 lỗi xảy ra trong lần chạy được ghi lại, và 1 lỗi đã được sửa mà không cần người giúp. Từng lỗi, cùng thời gian nó tốn, được liệt kê trên trang này.
- Formal-Verification-RSI so với các lựa chọn khác thế nào?
- Trong 111 dự án ai-agents mà Argusic đã cài đặt và bấm giờ, Formal-Verification-RSI đứng thứ 10 về tốc độ đạt trạng thái chạy được, và 83 trên 111 dự án đạt được trạng thái đó.
- Bằng chứng cho Formal-Verification-RSI ở đâu?
- Lần chạy được ghi lại nằm trên trang này, mỗi lần link tới log đầy đủ và terminal recording, được lưu kèm dấu vân tay sha256 để không thể bị sửa lén.