SERIAL-7：面向七种表示的可执行验证基准，衡量机器可验证输出

SERIAL-7 是一个韩英双语基准，用可执行验证框架检验大语言模型在七种表示上的机器可验证生成，包含 177 个经校验的规范产物和 43 条原子表示约束。它把任务拆成语义推导、受限产物生成和跨表示保持三步，并逐级加严检查格式、结构与任务语义。在十个模型上，REALIZE-L3 的 HSR 从 42.0% 到 93.9%，完全合规检查还暴露出最终答案正确、表示合法之外的产物级失败。