一句话看懂：arXiv 上出现一项名为 RefactorProof 的评测基准，用来检验大模型为程序生成的数学证明，在程序经过保持行为不变的重构后是否仍然有效，结果显示不同证明来源普遍存在脆弱性。
事件核心：发生了什么
根据 arXiv 2026 年 10 月 28 日发布的新论文摘要，研究团队基于 VERINA 任务构建了 RefactorProof，共从 185 个可编译任务中派生出 458 个经 Lean 认证的变体。做法是把规格说明和待评估的证明逐字节固定，只对程序做结构重构。在结构类重构下，任务归一化 PSR 对随附参考证明为 4.3%，对专用证明器的证明为 13.3%–26.8%。但在 21–25 个可匹配的短非递归任务上，专用证明器生成的证明整体存活率反而更高：DeepSeek-Prover-V2-7B 高 15.6 个百分点，Goedel-Prover-V2-32B 高 18.8 个百分点，Goedel-Prover-V2-8B 高 20.3 个百分点，95% 置信区间均不含零。
为什么重要
可验证代码生成长期以固定实现下的单次证明通过率作为评测口径，RefactorProof 把问题推进到“程序改变、证明是否仍成立”。摘要显示，证明失效并不等于修复成本高：预定义的单标识符编辑可修复 51/54 个符合条件的参考结构失败和 58/85 个证明器失败。这提示行业需要区分“不变证明稳定性”和“证明维护成本”，对 Lean 等证明助手生态中的大模型评测与部署有参考意义。
对用户/开发者/创作者的影响
对使用大模型生成形式化证明的开发者而言，目前公开信息显示，代码重构后不应默认原证明继续可用，需要在重构后重新校验。模型选型也不能只看单次通过率，还要关注重构场景下的存活表现。该结果限定在 VERINA 任务和论文设定的评测条件下，属于学术基准结论，并非产品排名；摘要未说明全文实验细节，实际工程影响仍待核验。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 RefactorProof 是否公开数据集与评测代码，供社区复现；二是后续研究能否给出重构后证明的自动修复方案，而不只是检测失效；三是更多大模型与证明器在这一基准上的表现是否稳定。
来源：arXiv cs.AI
