Mathematical discovery requires preserving partial ideas and the evidence supporting their reuse. We present Ansatz, a research harness whose continual graph memory separates model-accepted claims and dependencies from curated exploration, and Ansatze, a community platform for inspecting, guiding and checking this work. On First Proof, Ansatz recorded nine local verifier closures in each of two ten-problem batches; a partial result in the Second Batch also counted as a pass under the study's criterion. These model-assessed outcomes include continued searches and differ from expert validation. Component studies and re-review expose disagreements and their dependency reach. Open-problem investigations produced candidate results, with five Lean formalizations reported. The platform connects problem discovery, research records, manuscript analysis and formal checking while preserving distinct evidence states. Together, these systems support cumulative human-AI research through persistent investigation and inspectable contributions.
The shallow embedding of higher-order modal logic in classical higher-order logic, used in Benzm\"uller and Scott's Notes on G\"odel's and Scott's variants of the ontological argument, reaches beyond the modal object language: its quantifiers range over domains containing the nominals and satisfaction operators of hybrid logic. A proof using one proves a theorem of the embedding, not necessarily of the modal logic. Whether a result is one of the modal logic can be settled by replaying it in an explicit calculus, or, more cheaply and for all results at once, by analysing what the embedding's proofs substitute. Every statement the Notes prove has a proof in the embedding substituting nothing outside the object language, 294 of them explicit. The Notes' own proofs substitute none either; what it flags are terms a prover introduced. A soundness theorem over general models closed under the object language, and a sentence of that language the embedding proves but which fails in such a model, fix what the certificate says. The Notes' three open questions are settled too, without nominals, but by the empty instance of the conjunction axiom, too cheaply to convince. Generalised to G\"odel's "any number of summands", the axiom covers the empty conjunction and the singleton. This article restricts it to at least two different conjuncts, a non-degenerate reading of G\"odel's footnote, and settles them again without nominals. In effect only the empty conjunction is excluded; the singleton comes back with the other axioms. In one variant the restriction refutes the possible existence of a God-like being; the answers return, with no side condition, once the Notes' non-emptiness clause is confined to G\"odel's essence. Every theorem here is verified in Isabelle/HOL and independently in Lean 4, the separating model in its propositional part; the countermodels are Nitpick's, checked by the build.
대규모 언어 모델(LLM) 에이전트는 장기적인 과학 및 올림피아드 과제에서 빠르게 발전하고 있습니다. 최근 시스템들은 나비에-스토크스(Navier--Stokes) 문제에 대한 Lean 정형화 해법과 에르되시 추측(Erdős Conjectures) 데이터베이스의 4개 미해결 문제에 대한 자율적 해법을 제시했습니다. 그러나 두 시스템 모두 기반 모델과 완전한 추론 스택을 동시에 공개하지는 않았습니다. 더 넓게 보면, 단일 에이전트 세션은 고난도 문제에서 여전히 취약합니다. 초기 오류가 전파될 수 있고, 도메인 지식 부족으로 진행이 중단될 수 있으며, 겉보기의 성공이 원래 과제에 대한 오해나 조건 완화를 감추고 있을 수도 있습니다. 본 연구에서는 상호보완적인 세 가지 피드백 채널을 통해 다중 에이전트 세션을 조율하는 공개 플로우 수준 프레임워크인 HOA(Humanize Olympiads Agent)를 소개합니다. 첫째, 독립적인 검토자(reviewer)가 각 후보 해법을 평가하고 실행 가능한 피드백을 제공합니다. 둘째, 구조화된 위키가 모델 사전학습에서 누락되었거나 신뢰할 수 없는 과제 특화 지식을 제공합니다. 셋째, 검증기(verifier)가 생성된 Lean 증명을 신뢰할 수 있는 문제 명제와 대조하여 확인합니다. GPT-5.6 Sol을 적용한 HOA는 IMO, IPhO, IOI 2026에서 만점을 기록하고, IChO 2026 문제 세트에서 만점에 근접한 점수를 얻었으며, PutnamBench의 672개 문제 전체(100%)를 해결했습니다. Lean-Eval 리더보드에서 HOA는 304개 문제 중 251개(82.6%)를 해결하여 1위를 기록했습니다. 나아가 오픈 모델을 활용해 HOA를 평가했습니다. Kimi-K3를 사용했을 때 HOA는 IMO, IPhO, IOI에서 만점을 달성하고 IChO에서 97.1%의 금메달 수준 점수를 획득했습니다. 이러한 결과는 IMO와 IPhO에서 폐쇄형 GPT-5.6 Sol + /Goal 기준선과 거의 일치하는 동시에 IChO와 IOI에서는 이를 능가하여, 체계적인 피드백이 기본 모델 역량의 상당한 격차를 해소하는 데 기여할 수 있음을 보여줍니다.
AI 시스템은 수학 분야에서 빠르게 발전하고 있지만, 이러한 발전을 측정하기는 어렵다. 이미 풀린 문제들로 구성된 벤치마크(benchmark)는 포화(saturate)되며, 미해결 문제들로 구성된 벤치마크에서는 각 문제가 최초로 단 한 번만 해결될 수 있다. 우리는 포화에 강건한 벤치마크인 SqueezeBench를 제시한다: 성공은 문제를 제거하는 대신 기준을 높인다. 각 문제는 작은 $n$에 대해서만 값이 알려진 정수 함수 $f(n)$을 고정하며, 벤치마크는 이에 대한 하한(lower) 기록과 상한(upper) 기록을 유지한다. 기록(record)은 $f$를 한정(bound)함을 기계 검증된 증명(machine-checked proof)으로 보인 계산 가능한 Lean 함수이다. 제출(submission)은 새로운 함수를 제안하고, 그 함수가 $f$를 한정하며, 모든 $n$에서 현재 기록보다 나쁘지 않고, 일부 $n$에서는 엄밀히 더 우수함을 증명한다. 채택되면 해당 제출은 다음 제출이 넘어서야 할 새로운 기록이 된다. 따라서 이 시스템은 한계값(bound)뿐 아니라 그 증명까지 선택하며, 단일 $n$에서의 기록을 개선할 수도 있고 성장률(growth rate)을 개선할 수도 있다. 모든 $n$에서 두 기록 사이의 간극은 인증된 한계값들이 $f(n)$을 결정하는 데에서 얼마나 떨어져 있는지를 보여준다. 모든 증명은 두 개의 독립적인 Lean 커널에 의해 검증되므로, 심판이 수학적 내용을 검토할 필요가 없다. 검증 과정은 또한 작은 $n$에서 전수 탐색(exhaustive search)으로 $f$를 계산하는 함수를 거부하며, 유지관리자(maintainer)는 제출자의 보고서만 읽고 더 큰 $n$에서 그러한 탐색이 있는지를 확인한다. 우리는 극단적 조합론(extremal combinatorics) 분야의 열 가지 문제를 스무 개의 증명된 초기 기록 및 승인 도구(admission tools)와 함께 공개한다. 기준선(baseline)으로서, 최신(frontier) 언어 모델(language model) 기반 에이전트(agent)는 기록당 최대 한 시간을 사용하여 82건의 제출을 승인받았고 모든 기록을 개선했으며, 이는 기존 발표된 문헌의 범위를 넘어서지는 않았다. 이후 두 개의 더 새로운 모델(model) 기반 에이전트들이 이 기록들로부터 시작하여 60건의 추가 제출을 승인받았고, 20개의 기록 중 19개를 다시 개선했다. 열 가지 문제 중 여덟 가지 문제에서는, 적어도 하나의 기록이 여전히 발표된 최선의 한계값(bound)에 비해 점근적으로(asymptotically) 뒤처져 있다.
검증 가능한 코드를 생성할 때, 대규모 언어 모델(LLM)과 에이전트(agent) 워크플로를 사용하여 자연어 요구사항을 기계 검증된 코드로 매핑합니다. 이 파이프라인의 핵심 구성 요소는 에이전트가 구현의 정확성을 증명할 수 있는 정형 계약을 생성하는 명세 생성(SpecGen)입니다. 증명 생성은 정리 증명기(theorem prover)로부터 결정론적 피드백을 얻을 수 있지만, SpecGen은 생성된 명세가 사용자의 의도를 제대로 포착했는지에 대한 결정적인 검증 수단이 부족합니다. 따라서 검증을 통과한 증명이라 하더라도 의도된 동작을 잘못 나타내는 명세를 기준으로 정확성을 입증하는 문제가 발생할 수 있습니다. 본 연구에서는 VERINA의 $189$개 및 CLEVER의 $161$개를 포함하여 기존의 $350$개 Lean 작업으로 구성된 통합 데이터셋(dataset)과, 정형적 타당성, 참조 유사도 및 동치성, 동작 적절성을 다루는 프레임워크를 통해 총체적인 SpecGen 평가를 향한 한 걸음을 내딛습니다. 본 연구는 필수 입력의 수용을 유효한 출력의 수용 및 무효한 출력의 거부와 구별하는 동시에, 각 지표의 근거 범위를 명시적으로 만듭니다. 네 가지 SpecGen 구성에 걸쳐 참조 유사도 측정 지표인 일반화된 트리 편집 거리(GTED) 비교를 공동 측정이 가능한 $32$개의 VERINA 작업으로 제한하면, 평균 유사도에서 VERINA 구성의 순위가 2위에서 4위로 변경되어 측정 범위(coverage)의 중요성을 보여줍니다. 직접 작성한 대조군 실험에서는 한 명세가 필수 입력을 $0\%$만 수용하면서도 $100\%$의 양성 테스트 재현율(recall) 및 음성 테스트 거부를 달성했습니다. 이는 완벽한 사후 조건 점수가 사용 불가능한 입력 계약을 놓칠 수 있음을 입증하며, 입력 범위와 출력 제약 조건에 대한 분리된 피드백의 필요성을 시사합니다.
AI 보조 수학(AI-assisted mathematics) 분야의 최근 성과들은 기계 검증 증명서(machine-checked proof certificate)를 생성하기 위해 에이전트(agent)와 증명 보조기(proof assistant) 간의 집중적인 상호작용을 필요로 합니다. 에이전트는 증명기로부터 무엇을 수신하는지와 이러한 상호작용의 비용을 제어하는 인터페이스를 통해 Rocq나 Lean 같은 증명 보조기와 상호작용합니다. 현재 이러한 인터페이스는 인간을 위해 설계된 도구에서 개작된 것으로, 에이전트에 최적화되어 있지 않습니다. 본 논문에서는 프론티어 모델(frontier model)이 새로운 기능을 점진적으로 제안하고 더 작은 모델들의 전반적인 성능을 향상시키는 기능만을 유지하는 진화적 방법(evolutionary method)을 제안합니다. 정선된 수학 문제 세트에서 Rocq 증명기를 위한 새로운 MCP 서버인 ROCQ-MCP-EVOLVE를 구축함으로써 제안 방법의 효과를 입증합니다. miniF2F-Rocq의 홀드아웃 테스트 분할(held-out test split)에서, ROCQ-MCP-EVOLVE를 갖춘 에이전트는 Rocq 컴파일러만을 노출하는 기준선(baseline) 및 기존에 확립된 MCP 서버 모두와 비교해 두 계열의 네 가지 모델에 걸쳐 성공률, 해결당 비용(cost per solve), 해결당 시간(time per solve) 측면에서 우수한 성능을 보였습니다. Rocq용으로 진화되었음에도 불구하고, 결과 서버는 Lean으로도 전이되어 PutnamBench 서브셋에서 해결당 비용과 시간을 개선했습니다. 저자들은 ROCQ-MCP-EVOLVE와 해당 도구의 Lean 포팅 버전을 공개합니다.
장기(long-horizon) 연구 에이전트(agent)는 증거가 축적됨에 따라 어떻게 탐구할지뿐만 아니라 다음에 무엇을 탐구할지도 결정해야 합니다. 이러한 결정은 긴 실행 궤적(execution trace) 내에서 드물게 발생하며, 그 결과가 여러 차례의 탐구 이후에 나타날 수 있기 때문에 학습하기 어렵습니다. 본 논문에서는 연구 자원 배분과 실행을 분리하는 계층적 아키텍처인 반복 연구 에이전트를 위한 메타 추론(Meta-reasoning for Iterative Research Agents, MIRA)을 소개합니다. 외부 루프(outer-loop) 메타 추론기는 영구 연구 기록에서 컨텍스트를 큐레이션한 다음, 다음 탐구를 위한 작업 지시서를 작성하거나 에피소드를 종료합니다. 새로운 내부 루프(inner-loop) 실행기는 각 작업 지시서를 수행하여 실행을 메타 추론 행동 간의 전이 과정 일부로 만듭니다. 정책 학습(policy training) 없이도 MIRA는 장기 추론(inference)을 개선하고 정리 증명 및 개방형 신경망 아키텍처 연구에서 추가 연산량을 더 효과적으로 배분합니다. 또한 MIRA의 결정 경계는 신용 할당(credit assignment)을 위한 자연스러운 단위를 제공합니다. 각 경계에서 부분 상태(partial state)로부터 예상 잔여 보상을 예측하도록 생성형 크리틱(generative critic)을 학습시켜 토큰(token) 수준의 대안들보다 우수한 성능을 보였습니다. 교차 환경 사전학습은 예측과 적응을 개선하여 부분적 진행 상황의 가치를 평가하기 위한 전이 가능한 사전 분포(prior)를 산출합니다. 이 사전 분포를 활용하여 별도의 크리틱 모델 없이 잔여 보상을 예측하고 다음 탐구를 선택하도록 공동 학습되는 생성형 액터-크리틱(actor-critic)인 MIRA-AC를 초기화합니다. MIRA-AC는 정책 최적화를 메타 추론 결정에 집중시켜, 이들이 시작하는 더 긴 실행 궤적을 직접 최적화하지 않고도 효율적인 장기 강화학습(reinforcement learning)을 가능하게 합니다. 모델 자체의 프록시 힐클라이밍(hill-climbing) 신호로 MIRA-AC를 학습시키면 4개의 자동 연구(autoresearch) 환경 전반에서 골드 성능이 향상되며, 액터는 교차 환경 가치 초기화(initialization)를 통해 전이됩니다. 종합적으로, 이러한 결과들은 장기 자율 연구를 지휘하기 위한 명시적 정책으로서 메타 추론을 학습할 수 있음을 보여줍니다.
신뢰할 수 있는 증명 검증은 고난도 수학적 추론에 대한 AI 시스템의 학습(training)과 평가(evaluation)에서 여전히 병목 현상으로 남아 있습니다. Lean과 같은 언어로 작성된 완전한 형식적 증명(fully formal proofs)은 모호하지 않고 모듈화되어 있어 검증하기 쉽습니다. 그러나 대부분의 증명, 특히 AI 시스템이 작성한 증명은 두 가지 특성을 모두 갖추지 못했으며, 이를 형식 언어로 번역하는 것은 많은 프론티어 수학 환경에서 여전히 어려운 과제입니다. 본 논문에서는 자연어의 유연성을 유지하면서도 형식적 증명의 모듈성과 정밀성을 포착하는 증명 형식인 의사 형식화(Pseudo-Formalization, PF)를 제안합니다. 의사 형식적 증명은 독립적인 모듈들로 분해되며, 각 모듈은 전제, 결론 및 증명을 자연어로 명시합니다. 일반 자연어 증명의 정확성을 검증하기 위해, 대규모 언어 모델(LLM)이 이를 의사 형식적 표현으로 변환한 다음 각 모듈을 독립적으로 검증하는 블록 검증(Block Verification, BV) 알고리즘을 사용합니다. 올림피아드 및 연구 수준의 수학을 아우르는 두 가지 벤치마크(benchmark)에서 PF+BV를 평가한 결과, 오류 발견 정밀도(precision)와 재현율(recall) 측면에서 LLM-as-a-judge 베이스라인을 파레토 지배(pareto-dominates)함을 확인했습니다. 향후 연구를 지원하기 위해 연구 수준의 증명 검증 벤치마크인 ArxivMathGradingBench를 공개합니다.
코딩 에이전트(agent)는 Lean 증명 개발을 점점 더 자동화하고 있지만, 컴파일 성공만으로는 후보 증명이 허용 가능한 가정 하에서 의도한 명제를 증명한다는 점을 확증하지 못합니다. 본 논문에서는 형식 수학 및 소프트웨어 검증에서 감사 가능한 추론을 위한 프런트엔드 독립적 프레임워크인 FORALL-LEAN-AGENT를 제시합니다. 이 프레임워크는 격리된 작업 공간, Lean 도구, 새로운 검토를 명제 비교, 공리 감사, 그리고 지원되는 경우 독립적인 증명 검사와 결합합니다. 검증 증거와 검토자의 결정은 동일한 후보 아티팩트에 바인딩되어 수락 과정을 추적할 수 있도록 합니다. 우리는 VeriSoftBench, PutnamBench, 그리고 Lean Eval 소프트웨어 검증 트랙의 두 문제 모두에서 이 프레임워크를 평가합니다. 100개 과제로 구성된 VeriSoftBench 하위 집합에서, FORALLLEAN-AGENT와의 통합은 GPT-5.6 Sol의 벤치마크 규칙 성공을 낮은 노력으로 93개에서 100개로 높이는 동시에 비용을 69달러에서 62달러로 절감합니다. PutnamBench 평가에서는 전체 672개 문제를 평균 4.72달러에 모두 통과시킵니다. 이러한 결과는 에이전트 하네스 설계가 총 해결 횟수를 넘어서는 증거를 제공하는 동시에 정확성과 효율성을 향상시킬 수 있음을 보여줍니다.
장기적(Long-horizon) 수학적 추론이 실패하는 원인은 모델이 유효한 다음 단계를 생성하지 못해서라기보다는, 에이전트가 여러 반복 과정에 걸쳐 적절한 의미론적 상태(semantic state)를 유지하고 노출하지 못하기 때문인 경우가 더 많습니다. 이를 관리하지 않고 방치하면 국소적으로는 설득력 있어 보이지만 전역적으로는 불완전한 연구 수준의 증명이 생성됩니다. 즉, 핵심 보조정리가 증명되지 않거나, 가정이 검증되지 않거나, 인용이 뒷받침되지 않거나, 계산적 주장이 검증되지 않은 상태가 발생합니다. 본 논문에서는 영속적이고 유형화된(typed) 연구 저장소와 해당 저장소로부터 연산별 문맥을 컴파일하는 조율기(orchestrator)를 중심으로 구축된 장기적 증명 개발을 위한 에이전트 프레임워크인 Research Math Agents(RMA)를 제시합니다. 연구 문맥 조율기(Research Context Orchestrator)는 영속적인 연구 저장소와 국소적 범위의 각 증명 연산 사이에서 중심 상태 관리 층(layer) 역할을 수행합니다. 즉, 과업과 관련된 아티팩트를 검색하고, 이를 제한된 문맥으로 컴파일하며, 적절한 연산을 호출하고, 그 결과로 생성된 증명 수정 사항, 이슈 업데이트, 문헌 노트, 계획 또는 평가를 저장소에 다시 기록합니다. 이 프로세스는 증명 개정판, 미해결 이슈, 이전 시도, 문헌 및 평가를 여러 라운드에 걸쳐 유지하는 동시에 각 국소적 연산에는 과업과 관련된 상태만을 노출하도록 설계되었습니다. 저자들은 독립적인 전문가 평가, 수학자 블라인드 리뷰, 대규모 언어 모델(LLM) 기반 벤치마크 평가, 그리고 Lean 4 커널 검증을 활용하여 상호보완적인 연구 수준의 환경 전반에서 RMA를 평가합니다. RMA는 독립적으로 평가된 SOOHAK Challenge Hard 세트에서 42.5%의 해결률을 달성하고, 인간 전문가 평가 하에 First Proof B1에서 10개 중 8개의 정답 솔루션을, B2에서 10개 중 8개의 통과 솔루션을 획득했으며, Formal Conjectures에서 표본 추출된 300개의 Research Solved 대상 중 213개를 Lean 4 커널로 검증했습니다.
대규모 언어 모델(LLM)은 이론 전산학(TCS) 연구 자동화에서 점점 더 큰 잠재력을 보여 왔지만, 기존 벤치마크는 현실적인 연구 환경과는 여전히 거리가 멀다. 본 논문에서는 최전선(frontier)의 end-to-end TCS 연구에 대한 LLM 평가를 위한, 전문가가 검증한 벤치마크인 \ourbenchmark를 소개한다. \ourbenchmark는 2025-2026년 STOC, FOCS, SODA, COLT에 채택된 논문에서 추출한 $143$개의 인스턴스로 구성되며, 논문별 정의, 가정, 증명 의존성을 그대로 보존하고, 전문가가 검증한 Lean 형식화와 증명을 포함한다. 주요 LLM에 대한 평가 결과, 현재 모델들은 전체 연구 파이프라인을 안정적으로 완수하는 데 여전히 크게 못 미치는 것으로 나타났다. 특히 자동 형식화(autoformalization)가 가장 큰 병목이다. 가장 성능이 좋은 모델은 자연어 주장을 형식 정리 명제로 번역하는 과제에서 $11.5$에 그친 반면, 사람이 제공한 형식 명제를 증명하는 과제에서는 Pass@8 기준 $28.6$을 달성했다. \ourbenchmark를 바탕으로, 새로운 주장을 생성하고, 형식화하고, 필터링하고, 증명하는 자동화된 TCS 연구 프레임워크도 추가로 개발한다. 생성된 $64$개의 주장 중 최종적으로 전문가 평가와 증명 검증을 모두 통과한 것은 $6$개에 불과했으며, 이는 형식화 외에도 제한적인 연구 안목(research taste)이 자율적 TCS 연구를 가로막는 또 다른 주요 장벽임을 시사한다.
2026년 8월 기준 미해결 상태인 68개의 에르되시(Erd\H{o}s) 문제로 구성된 벤치마크인 FrontierMath Erd\H{o}s(FME)를 소개합니다. FME의 과제를 해결하려면 AI 시스템이 증명 보조기(proof assistant) Lean에서 68개 추측 중 하나를 해결(증명 또는 반증)해야 합니다. 이 68개 문제는 수학적 흥미도와 난이도를 고려하여 erdosproblems.com에 등록된 652개의 미해결 문제 중 제2저자가 선정했습니다. 최근 AI가 수학 분야의 여러 미해결 문제를 해결하기도 했으나, 이러한 사례들은 AI 역량에 대한 체계적인 연구에는 미치지 못합니다. FME는 동일한 고정 문제에 대해 자율적이면서도 동일한 예산 조건 하에서 모든 AI 모델을 평가합니다. 우리는 문제당 \$300의 예산으로 5개의 AI를 평가했습니다. 그중 하나(GPT-6 Astra)가 3%를 기록했으며, 나머지 모델은 모두 0%를 기록했습니다.
대규모 언어 모델(LLM)을 수학적 엄밀성을 유지하면서 과학 계산의 연구 도구로 어떻게 활용할 수 있는지 조사한다. LLM을 활용한 대화형 정리 증명 및 발견을 위한 human-in-the-loop 워크플로를 제안한다. 인간 전문가는 문제 형식화와 가정에 대한 통제권을 유지하고, 모델은 증명이나 모순을 탐색하며, 후보 성질과 정리를 제안하고, 수치 실험과 간단한 검증 검사로 뒷받침되는 명시적 제약을 만족하는 구조와 매개변수를 구성하는 데 도움을 준다. 전문가는 이러한 출력을 원재료로 취급하여 더 정교하게 다듬고, 결과를 정밀한 명제와 엄밀한 증명으로 정리한다. 이 워크플로를 다양체 최적화와 Grover의 양자 탐색 알고리즘 사이의 연결에 대한 주요 사례 연구에 구체화한다. 이 파이프라인은 불변 부분공간을 식별하고 Grover 호환 retraction을 탐색한다. 주요 사례 연구는 동반 수학 연구에서 확립된 $O(\sqrt{N} \log(1/\varepsilon))$ PL 기반 상계를 포함하는 해당 Grover 호환 수렴 분석을 사용하여 워크플로의 정교화 단계를 보여준다. 워크플로 구현을 위한 프롬프트 기록과 재사용 가능한 템플릿을 제공한다. 또한 다중 오라클(multi-oracle) 사례 연구를 포함하고, 이 설정에서 발생한 대표적인 실패 및 수정 경로를 문서화하며, 구조화된 실패 모드 분석을 제공한다.
자동 형식화(autoformalization)는 비형식적 자연어를 기계적으로 검증 가능한 형식 언어로 번역한다. 대부분의 연구는 개별 명제에 초점을 맞추지만, 실제 형식화 작업은 본질적으로 이론 수준의 작업이다. 목표 정리를 진술하기조차 하려면 공리, 정의, 보조정리의 전체 연결망이 필요하다. 본 입론(position paper)에서는 이론 수준 자동 형식화를 주장한다. 상호 의존성을 모두 포함한 완전한 이론을 구조화된 라이브러리로 형식화하는 것이다. 우리는 이러한 전환의 의의를 검토하고, 대안적 관점에 대응하며, 미해결 과제를 식별하고, 세 가지 유망한 전진 경로를 제안한다. 자동 형식화에 대한 우리의 서베이는 https://github.com/marcusm117/Awesome-Autoformalization 에서 확인할 수 있다.
OpenAI의 최근 Erdős 단위 거리(unit distance) 추측에 대한 반증은 수학 분야에서 AI의 이정표가 되었다. 이는 또 다른 돌파구인, $\mathbb R$ 위 Erdős–Szemerédi sum-product 추측에 대한 인간의 반증을 이끌어냈다. 본 논문에서는 GPT-5.5 Pro 기반의 단순한 에이전트를 제시한다. 문제에 구애받지 않는 3단계 프롬프팅 파이프라인—증명 계획 제안, 증명 구성, 검토—을 사용하여, 에이전트는 8번의 독립 시행 중 7번에서 $\mathbb R$ 위 sum-product 추측이 거짓임을 보여주는 올바른 증명을 자율적으로 생성했으며, 나머지 한 시행에서는 논증의 미해결 공백을 식별했다. 7개의 증명은 다양하다: 일부는 기존의 단위(unit) 기반 구성에 가깝고, 다른 것들은 대수 정수(algebraic integers)의 $L^p$-형 영역을 사용하여 단위를 피한다. 시스템은 시행당 평균 132.4k 추론 토큰을 사용했다. 우리는 코드, 중간 출력, 생성된 증명을 공개하여, 자율적 증명 생성의 재현 가능하고 데이터 오염(data contamination) 없는 사례 연구를 제공한다.
우리는 수학 논문을 빌드 가능한 Lean 프로젝트로 번역하는 데 특화된 LLM 에이전트 시스템인 LeanFlow를 제시하고 평가한다. 최근 검증기-내-루프(verifier-in-the-loop) 시스템은 대규모 형식 산출물을 생성할 수 있음을 보여주지만, 문서-대-프로젝트 형식화에서 어떤 런타임 메커니즘이 완료, 감사 가능성(auditability), 또는 효율성에 영향을 미치는지는 여전히 불분명하다. 우리는 수론과 측도론의 이전에 형식화되지 않았던 두 편의 수학 논문에 대한 사례 연구를 통해 이 질문을 조사하며, Kimi2.6과 GPT5.5를 사용한 모델, 증명 워크플로우, 도구군 어블레이션(ablation)을 수행하고 작업 결과, API 호출 수, 입력 토큰, 출력 토큰을 보고한다. Kimi2.6에서는 전체 워크플로우가 2000회 호출 예산 내에서 두 문서 수준 프로젝트를 모두 완료하는 반면, 큐 없는(no-queue) 변형은 예산 한도에 도달한다. GPT5.5에서는 모든 문서 수준 변형이 완료되며, 전체 워크플로우가 두 소스 모두에서 가장 낮거나 동률로 가장 낮은 입력 토큰 비용을 보인다. 보완적 보정(calibration)으로, LeanFlow는 RLM25의 PFR 슬라이스에서 75.7% BEq+를 달성하며, GPT5.5 실행에서 ICML 2026 AI for Math TCS 챌린지 프로젝트 다섯 개를 모두 해결한다.
형식 정리 증명(formal theorem proving)은 기계학습의 최전선 과제로 부상했지만, 생태계는 파편화되어 있다. 증명은 호환되지 않는 시스템들 사이에 고립되어 있어, 학습 기반 증명기(prover)를 위한 학습 데이터와 검증된 결과의 이식성(portability) 모두를 제한한다. 우리는 ITPEval을 제안한다. 이는 Lean 4, Rocq, Isabelle, HOL Light의 네 가지 주요 대화형 정리 증명기(ITP)에 걸쳐—두 가지 서로 다른 논리적 기반(logical foundations)을 아우르며—자동 형식 증명 번역을 평가하는 최초의 벤치마크이다. 우리 벤치마크는 1,560개의 소스 파일과 6,848개의 정리(theorem)로 구성되며, 기초적 번역 난이도를 분리하는 공리화(axiomatized) 파일의 통제 계층(controlled tier)과, API 및 증명 스타일(proof-style) 불일치를 드러내는 실제 라이브러리에서 가져온 생태계 계층(ecosystem tier)으로 조직되어 있다. 우리는 itpeval을 공개한다. 이는 아티팩트(artifact)별 네이티브 검증 의미론(native checking semantics)을 보존하는 상태 격리(state-isolated) 웜 백엔드(warm backends)를 갖춘 통합 다중 ITP 검증 인프라이다. 12개의 방향성 번역 쌍(directed translation pairs)에 대해 5개의 최신 및 오픈 가중치(open-weight) 대규모 언어 모델(LLM)로 명제(statement) 번역과 증명(proof) 번역을 모두 평가한다. 명제 번역은 pass@1 29.1%, 증명 번역은 10.5%에 정점을 찍는다. 통제된 정리는 증명 pass@1 29.7%에 도달하는 반면 생태계 수준 번역은 5.2%로, 라이브러리 불일치(library mismatch)가 지배적 병목임을 확인한다. pass@k 평가에 더해, 결정론적(deterministic) Lean 4 BEq 검사는 검증된 소스-to-Lean 4 miniF2F 명제 번역의 54.0%에 대해 동치(equivalence)를 확립하며, 네이티브 타입 검사(type-checking)만으로는 의미적 충실도(semantic fidelity)를 상당히 과대평가할 수 있음을 보여준다. 자동 형식화(autoformalization)/자동 비형식화(auto-informalization) 왕복(round-trip) 연구에서 Rocq와 HOL Light는 Lean 4와 Isabelle보다 형식화 대상(formalization targets)으로 더 쉽고, 다중 ITP 컨텍스트는 풀링(pooled) Lean 4 성공률을 4.8%에서 10.6%로 향상시킨다. 우리의 벤치마크, 검증 인프라, 평가 파이프라인은 공개된다.
최근 형식적 추론(formal reasoning) 시스템은 IMO 수준의 성능에 도달했지만, 여전히 분절된 환경을 남기고 있다. 대수와 정수론은 Lean에서 처리되는 반면, 기하학은 여전히 제한적인 형식적 보장을 갖는 도메인 특화 언어에 의존한다. 이러한 분리는 신뢰 컴퓨팅 기반(trusted computing base)을 확대하고 통합 모델 개발을 저해한다. 기존 Lean 기하학 연구(LeanEuclid, LeanGeo)는 표준 Mathlib와 호환되지 않는 맞춤형 공리 체계를 도입하며, 그 규모가 작아(< 1,100개 문제) 대규모 학습을 제한한다. 그러나 기하학의 네이티브 Mathlib 자동 형식화(autoformalization)는 별도의 과제를 제기한다. 암묵적 도형 가정(예: 위상적 구성과 비퇴성)은 외부 솔버에 위임하기보다 명시적으로 드러내야 하며, 모델은 Mathlib의 작고 빠르게 진화하는 기하학 인프라에 적응해야 한다. 우리는 네이티브 Mathlib에서 기하학을 자동으로 형식화하기 위한 4단계 프레임워크인 Euclean—제약 명시(constraint explication), 구성 고정(configuration anchoring), 형식화 매핑(formalization mapping), 반복적 수정(iterative repair)—을 제시한다. 우리는 Lean에서 가장 큰 기하 형식화 데이터셋인 OMNI-Geometry(768개 경시 문제)와 Numina-Geometry(177,597개 문제)를 구축했다. 인간 평가에서 TOP1 정확도 48.89%, TOP5 정확도 73.33%를 보였다. 우리의 형식화 결과로 Goedel v2를 학습하면 증명 성공률이 13.6%에서 15.1%로 향상되어, 통합 신경망 정리 증명(neural theorem proving)을 위한 데이터셋 품질을 검증한다. 코드 및 데이터셋: https://github.com/tlb-22/Euclean.
기존 LLM 기반 정리 증명기(theorem prover)는 형식 수학 벤치마크에서 인상적인 결과를 달성했지만, 여전히 주어진 명제를 증명하는 자율적 에이전트(agent) 역할에 한정되어 있다. 본 논문에서는 수학 연구를 위한 새로운 인간-AI 공생 패러다임을 구현하는 human-in-the-loop 시스템인 MathCoPilot을 제안한다. 이 시스템에서는 수학자가 고수준의 수학적 방향을 주도하고, AI 에이전트는 지속적인 인간의 안내 아래 상세한 형식화(formalization) 및 증명 작업을 수행한다. MathCoPilot은 세 가지 핵심 기능을 통합한다: (1) 수학자와 AI 에이전트가 살아 있는(living) 증명 설계도(proof blueprint)를 통해 협업하는 상호작용형 작업대(workbench)로, 증명을 인간이 직접 검사·지시·정교화할 수 있는 탐색 가능한 단계로 분해한다; (2) 적응형 지식 베이스 검색과 Lean 통합 반복 검증을 갖춘 자동화된 증명 기술 오케스트레이션; (3) 주제 기반 논문 검색 및 검증된 Lean 지식 베이스로의 자동 형식화. MathCoPilot을 사용하여 FormalMATH 부분 집합과 심층적인 도메인 전문성이 필요한 두 개의 실제 PDE 정리에 대해 Gemini 3.1 Pro, GPT-5.4, Claude Opus 4.7을 포함한 네 가지 최신 LLM을 체계적으로 비교하고, 검증된 Lean 4 증명을 생성하는 능력과 의도적으로 오류가 포함된 증명에서 오류를 식별하는 능력을 평가한다. 결과는 현재 모델이 유리한 자동 형식화(autoformalization) 조건 하에서 학부 수준 문제를 높은 성공률로 처리할 수 있지만, 진정한 수학적 이해를 요하는 도메인 특화 정리에 대해서는 상당한 과제가 남아 있음을 보여준다.
양자 정보 이론(QIT)은 양자 정보 처리의 능력과 근본적 한계를 규명하며, 양자 통신, 계산, 오류 정정의 토대를 이룬다. 코딩 정리를 형식화하려면 유한 블록 프로토콜, 해석적 부등식, 점근적 한계를 통합된 기계 검증 프레임워크 안에서 연결해야 한다. 그러나 기존 연구들은 코드, 오류 기준, 달성 가능한 전송률, 용량을 정보이론적 특성화와 독립적으로 정의하는 재사용 가능한 운용 층(layer)이 부재하다. 본 연구에서는 유한 차원 QIT를 위한 Lean 4 라이브러리인 LeanQIT를 제시한다. LeanQIT는 양자 상태 및 채널, 소스 코드 및 채널 코드, 유한 블록 성능 기준, 가설 검정, 단발성(one-shot) 정보량, 점근적 전송률 구성을 위한 합성 가능한 커널(kernel) 검증 인터페이스를 제공한다. 이 인프라를 활용하여 Schumacher의 양자 소스 코딩 정리, Holevo--Schumacher--Westmoreland 고전 용량 정리, 그리고 얽힘 보조 고전 용량 정리와 그 강한 역정리를 형식화한다. 운용적 정의를 해석적 특성화로부터 분리하고 재사용 가능한 달성 가능성, 역정리, 점근적 구성 요소를 노출함으로써, Lean-QIT는 형식적 QIT를 위한 기계 가독 기반을 제공하며, 양자 정보 및 계산 분야의 AI 보조 형식화, 자동화된 증명 탐색, 에이전트(agent) 추론을 위한 합성적 지식 기반을 제공한다.