NanoProof：Lean 4 开源定理证明器发布，训练数据与权重全公开
论文AI 评分 78/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
NanoProof 是 Lean 4 中首个将训练数据、抽取工具、训练流程与权重全部公开的因子化执行引导定理证明器，可完全用开源资源复现。作者同时发布了结构化证明树数据集，以及用于在 Lean 4 形式化验证器内进行程序化交互与数据抽取的工具。为支持可持续研究，该工作侧重计算效率，以降低训练与评估门槛。在 MiniF2F-Test 上，NanoProof 取得 50.8% 的 pass@16，超过同类中最接近的 HyperTree Proof Search 和 ABEL，计算量分别约为其九十分之一和七分之一，比 AlphaProof 少四个数量级以上。作者指出，更强的开放权重证明器存在，但它们由大型预训练语言模型微调而来，既不公开训练数据也不公开流程；NanoProof 表明这类证明器可用有限资源从零重建。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载开源范围与可复现性
NanoProof 的定位是 Lean 4 中首个把训练数据、抽取工具、训练流程和权重一并公开的因子化执行引导定理证明器，作者称其端到端可复现，且只依赖开源资源。配套发布物包括一个结构化证明树数据集，以及一个用于在 Lean 4 形式化验证器内做程序化交互和数据抽取的工具。这意味着后续研究者不必从零搭建数据与训练链路，可以直接在已有权重和流程上做实验或改造。
评测成绩与算力对比
在 MiniF2F-Test 上，NanoProof 的 pass@16 为 50.8%。作者给出的对比对象是同类中两个最接近的系统：HyperTree Proof Search 和 ABEL，NanoProof 的计算量分别约为前者的九十分之一、后者的七分之一；与 AlphaProof 相比，计算量少了四个数量级以上。作者同时说明，存在比它更强的开放权重证明器，但那些系统是从大型预训练语言模型微调而来，训练数据和流程都不公开。
效率优先的路线选择
该工作把计算效率作为重点，目的是让训练和评估的门槛更低，从而支撑可持续的研究。作者由此得出的结论是：因子化执行引导这一类证明器，可以在资源有限的情况下从零重建，而不必依赖大型预训练语言模型微调。论文共 18 页、含 8 张图，代码链接在摘要中给出，提交时间为 2026 年 10 月 8 日。
为什么值得看
首个训练数据、流程与权重全开源的 Lean 4 定理证明器，算力需求远低于同类，可复现。
微调数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。