arXiv · cs.AI · Alessandro Sosso, Akhil Arora, Bas Spitters · 9 小时前模型评分50
同构评分不够：对 Lean 可验证代码生成基准 CLEVER 的智能体审计
Isomorphism Is Not Enough: An Agentic Audit of Verified Code Generation in Lean
导读
研究团队用基于 Claude Opus 4.6、GPT-5.4 和 Kimi K2.5 的三个智能体系统审计 Lean 4 基准 CLEVER，发现 161 条中有 80 条参考规范存在错误，且基于同构的评分在生成与参考规范理解不同但都合理时失效。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “we audit CLEVER, a Lean 4 benchmark for verifiable code generation, using three independent agentic stacks based on Claude Opus 4.6, GPT-5.4, and Kimi K2.5.”
来源：arXiv · cs.AI · arxiv.org