超越求解器判決：生成式獎勵模型於自動形式化驗證
為何重要
此技術突破對於依賴嚴格邏輯驗證的自動程式碼形式化領域至關重要，挑戰了傳統僅以求解器判決作為唯一正確標準的依賴訓練。這不僅大幅提升了驗證的可信度 (AUROC 0.961)，更重要的是揭示了模型具備原生提取錯誤坐標的機制，讓微調與評估流程變得更精確。
神經符號系統通常依賴數學求解器來確認推理正確性，但求解器無法辨別形式翻譯是否嚴格維持與指定形式化的參照等價性，因此提出 VPU 漏洞。研究引入「生成式驗證」 框架，透過語言模型的本詞彙空間，將離線 Z3 等價性應答器轉化為無參照、連續的驗證分數。實證顯示，此方法在不經精確定位訓練下，可透過決策投影 logit 鏡頭與稀疏自編碼器原生提取空間錯誤坐標，並在置換了翻譯器與風格的零樣本場景中達到 0.961 AUROC，同時在使役測試時間運算分配任務中帶來 11.3 分的準確度提升。