面向多智能体证明自动形式化的高效测试时优化

全证明自动形式化把自然语言的 extensive 数学证明与形式化验证的推理衔接起来，为提升可验证数学推理的上限提供路径。与陈述级形式化不同，证明自动形式化是长程挑战：需协调跨许多证明步骤的论断、上下文与依赖，直到近期才受到集中研究。当前方法要么依赖昂贵的模型训练，要么在推理时施加过度的、无引导的修复。为此我们提出ToMap：一个把证明自动形式化结构化为分解者—形式化者—证明者管线的多智能体框架，以形式验证与证明质量语义量规引导高效测试时优化。我们不把测试时算力平摊给所有智能体，而是做瓶颈分析并识别分解者为关键瓶颈：其原子、自包含证明单元的质量直接决定下游智能体能否成功形式化并证明每一步。ToMap因此把形式化者与证明者当下游执行者，把测试时算力高效聚焦于分解者精炼。该精炼遵循受GEPA启发的循环：在候选分解上演化提示，用形式验证进展与语义证明量规定义帕累托前沿，引导下一轮分解更新。ProofFlowBench上的实验显示：以句法正确性与语义忠实度双评，ToMap较此前最佳方法提升19.0%，且测试时成本更低。扩展分析显示多数增益出现在分解演化的少数几轮内——指导测试时预算选择。