Newest papers

Validating Autoformalized Specifications via Contrapuntal Languages

Yihan Dai, Xuanlin Liu, Haoxiang Jia, Tianchi Li, Xin Zhang, Sergey Mechtaev · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30059 · open-access PDF

Vietnamese

Thông số kỹ thuật chính thức có thể làm cho mã được tạo ra bởi AI có thể kiểm tra một cách cơ học. Bởi vì ý định của người dùng thường được thể hiện bằng ngôn ngữ tự nhiên chứ không phải là logic chính thức, các thông số kỹ thuật trước tiên phải được rút ra từ nó, ví dụ, thông qua tự động hóa dựa trên LLM. Tuy nhiên, các thông số kỹ thuật tự động hóa bản thân không đáng tin cậy, vì vậy một thách thức quan trọng là xác nhận xem họ có nắm bắt ý định của người dùng hay không mà không dựa vào một lời tiên tri tốn kém như đánh giá của con người. Trong thiết lập không có lời tiên tri này, một chiến lược tự nhiên là bỏ phiếu giữa các đầu ra mô hình, nhưng vì lỗi mô hình thường tương quan, sự đồng ý giữa các đầu ra có thể phản ánh sự chia sẻ.

Machine translation (Meta M2M100); the English original follows.

Abstract

Formal specifications can make AI-generated code mechanically checkable. Because user intent is typically expressed in natural language rather than formal logic, specifications must first be derived from it, e.g., via LLM-based autoformalization. Yet autoformalized specifications are themselves untrusted, so a key challenge is validating whether they capture user intent without relying on a costly oracle such as human review. In this oracle-free setting, a natural strategy is to vote among model outputs, but because model errors are often correlated, agreement among outputs may reflect shared

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange