🔍 耿同学打假报告

论文信息

• 论文来源：arXiv:2604.19000v2 [cs.LG] 22 May 2026
• 标题：Decompose, Structure, and Repair: A Neuro-Symbolic Framework for Autoformalization via Operator Trees
• 作者：Xiaoyang Liu, Zineng Dong, Yifan Bai, Yantao Li, Yuntian Liu, Tao Luo
• 期刊：Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), PMLR 306, 2026
• DOI：arXiv:2604.19000v2（未发表期刊 DOI）
• 发表年份：2026（arXiv 预印本日期 22 May 2026）

综合评定：🟠 高度可疑

综合评定理由：根据复核后保留的发现与机器取证线索：

• 多重独立异常成立或降级保留：①Table 3 中 PRIME Pass@1/8 上 OPT 单独贡献为负且与"OPT 必要"核心主张构成张力（成立）；②DSR 在 SC 维度上被自家变体 DSR-Global 反超（成立）；③PRNU/copy-move 机器取证线索（PCE 显著、偏移 (32,0) 高度重复）证据组合，且论文未声明多张图来自不同管线（保留为机器取证证据线索）；④末位数字与 Benford 检验有适用前提限制，但与图片取证线索、Chart 数值线索相互独立（降级保留）。
• 综合评定：🟠 高度可疑

详细发现

发现 1：Table 3 消融实验中 OPT 在 PRIME 单独贡献为负，与"OPT 必要"主张构成张力

• 位置：Table 3（Ablation Studies）；§4.4.1
• 描述：作者主张"incorporating operator tree supervision provides essential structural priors"。然而在 PRIME 上，仅添加 Operator Tree 在 Pass@1 SC 上从 Baseline 22.44 退步到 19.87（Δ=-2.57），在 Pass@8 SC 上从 28.85 退化到 23.08（Δ=-5.77）。原文 §4.4.1 自我承认："merely adding the operator tree objective without a curriculum can lead to performance stagnation or even regression, where the Pass@1 SC drops from 22.44% to 19.87%"。作者将此现象解释为"optimization barrier"并通过 Curriculum Learning 修补到 23.08 / 29.49——但 Pass@1 SC 恢复后仅与 Baseline 持平，未真正超越。这一"OPT 单独加反而退步"的现象与"OPT 是 essential structural prior"的核心贡献声明在 PRIME（自有 benchmark）上直接对立，仅靠 Curriculum Learning 修补后并未真正达成"essential"。
• 证据：
  • 原文 Table 3：Baseline Pass@1 SC=22.44、CC=18.59；+Operator Tree Pass@1 SC=19.87、CC=16.03；+Curriculum Learning Pass@1 SC=23.08、CC=18.87（Pass@8 SC: 28.85→23.08→29.49）。
  • 原文 §4.4.1："the introduction of operator tree supervision yields immediate gains on the ProverBench benchmark across all pass rates. However, on the more challenging PRIME benchmark, we observe an optimization barrier: merely adding the operator tree objective without a curriculum can lead to performance stagnation or even regression, where the Pass@1 SC drops from 22.44% to 19.87%."
  • 机器核验结果：4 个引用数据点中 2 个原文命中（22.44、19.87、28.85、23.08 已验证）；所引"incorporating operator tree supervision…"虽未逐字命中，但语义在 §4.4.1 段已多处出现（"operator tree supervision yields immediate gains"），属于表述差异，不影响结论。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 2：Table 2 中 DSR 在 SC 上被自家消融变体 DSR-Global 反超，与"SOTA"主张存在张力

• 位置：Table 2（Main Results, "Ours" 节）
• 描述：论文将 DSR 描述为"establishes a new state-of-the-art"。然而在 ProverBench 上，DSR SC=95.38 低于 DSR-Global=96.00；在 PRIME 上，DSR SC=80.13 低于 DSR-Global=83.97。Paper 在 §4.4.2 将此归因为"DSR-Global's syntactic success comes at the cost of semantic integrity"，强调 DSR 在 CC 维度领先。但"新 SOTA"的措辞应当覆盖论文所声称的所有评估维度（SC 与 CC），而 Table 2 中可见在 SC 这一评估指标上 DSR 在 2/3 benchmark 上并不是自家最强，与"新 SOTA"总括措辞存在张力。
• 证据：
  • 原文 Table 2：DSR 行 SC 列：ProverBench 95.38、ProofNet 87.33、PRIME 80.13；DSR-Global 行 SC 列：ProverBench 96.00、ProofNet 89.76、PRIME 83.97。
  • CC 维度 DSR：D 普 84.00、ProofNet 79.51、PRIME 67.95；DSR-Global：ProverBench 82.77、ProofNet 83.97、PRIME 缺数据被原文以"—"呈现。
  • 原文 §4.3："DSR achieves the highest Consistency Check (CC) pass rates across the board"、"establishes a new state-of-the-art across all evaluated benchmarks"。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 3：末位数字分布与 Benford 检验提示异常（但检验前提受限）

• 位置：Tables 2、3、5、6 等核心结果表中的所有数值型数据
• 描述：机器取证 [S2] 显示论文中数值数据的末位数字分布严重不均匀（χ²=307.5, p=0.0000）；奇偶比 109/327=0.33（p=0.0000）；相邻末位相关偏差 12.6σ；[S1] Benford 联合检验在第 1、3、4 位数字显著偏离（MAD>0.015）。这些统计学线索不应被忽视，但论文评价指标（SC/CC 等百分比数据）属于受控范围（0–100%）的离散化比例数据，其末位分布并不严格遵循均匀假设，因此单独的末位数字/奇偶比检验适用前提受限。然而 [S2] 中"相邻末位相关 12.6σ"属于分布形态异常，对受控范围数据仍敏感；叠加发现 4 中图像取证线索，独立证据数量仍然显著。
• 证据：
  • 机器取证 [S2] 在 327 个数值上报告 χ²=307.5 等异常；
  • 机器取证 [S1] 报告第 1/3/4 数字 MAD 显著偏离；
  • 论文中数值指标主要为百分比（SC/CC 在 0–100%），属于受约束离散数据。
  • 反方论证（适用前提）：Benford 与末位数字检验原本适用于自然产生的连续型测量数据；本论文 327 个比例型数据点受 0–100% 截断，分布受约束，因此对显著性结果需折扣；然而"相邻末位相关 12.6σ"和"奇偶比 0.33（p≈0）"反映的是分布形态，不完全可由取值范围解释；论文未声明对指标进行额外的离散化/取整处理，原文未找到对应正面支持。
• 严重程度：🟡
• 复核状态：⚠️ 存在疑点（Benford 联合检验 [S1] 用于受控范围比例型数据时适用前提受限；末位分布 [S2] 与相邻末位相关性的部分指标仍超出良性解释范围，原文未找到正面支持，仅为线索不作唯一证据。）

⚠️ 发现 4：图像取证线索（PRNU 高同源 + copy-move 精确像素偏移匹配）

• 位置：论文嵌入图像（22 张，两两 15 对比较）
• 描述：机器取证 [I32]–[I45] 报告 img-002.png 与多张图像（img-012/014/016/018/020）的 PRNU 相关系数 NCC=1.000、PCE=128.0；与 img-003/013/015/017/019/021 的 PCE 也达 54.9–73.7。此外 [I2][I5][I6][I7][I8][I10][I14][I16][I17][I20][I23][I26][I29] 在 14 张图像上检测到偏移 (32,0) 的 copy-move 匹配（42–86 对），[I12] 在 img-009 上检测到偏移 (48,0) 处 304 对匹配块，[I4]/[I19]/[I22]/[I25]/[I28]/[I31] 在 img-003/013/015/017/019/021 上检测到偏移 (0,88) 处 12 对匹配块。
• 证据：
  • 机器取证 [I36][I38][I40][I42][I44] 报告 NCC=1.000、PCE=128.0 的完全同源 PRNU；
  • 机器取证 [I12] 报告 (48,0) 偏移 304 对匹配块；
  • 论文为方法论类，其 Figure 2/4/6/7/8 含截屏风格示意图，方法学上这些图均来自同一 LaTeX/PDF 渲染管线与同一论文格式框架；
  • 原文中未声明不同图来自不同图像管线/设备，PRNU 高同源确实可由"批量统一导出"良性解释（原文 Figure 3 caption、Figure 4 caption 等均暗示同源 LaTeX 排版，未声明异源管线）；
  • 但 (32,0) 在多张图上以 42–86 对高度匹配的偏移出现，叠加 PCE 极高的完全同源信号，单纯"统一管线"难以完全解释（精确像素偏移需重复的像素内容，原文未找到对此的正面说明）。
• 严重程度：🟠
• 复核状态：⚠️ 存在疑点（机器取证强证据线索保留；统一导出管线为通用良性解释，原文未找到对"多图偏移精确相同"的正面支持；视觉分析摘要亦无法确认各图为独立来源，故维持疑点而不下"成立"结论。）

⚠️ 发现 5：噪声方差（CV）不一致在多张图上同时出现

• 位置：img-000、003、008、009、010、011、013、015、017、019、021（共 11 张）
• 描述：机器取证 [I1][I3][I9][I11][I13][I15][I18][I21][I24][I27][I30] 报告 11 张图像触发 noise_variance 不一致警告，CV 值在 0.39–0.81 之间。
• 证据：机器取证 [I1] 报告 img-000 CV=0.814；[I3][I18][I21][I24][I27][I30] 报告 6 张图 CV=0.427–0.443 且异常块均为 5；[I9] CV=0.388；[I11] CV=0.442；[I13] CV=0.573。
• 反方论证：方法论类论文以矢量/示意图与截屏为主，理论上不应出现局部噪声方差差异；但本论文 Figure 4/6/7/8 是显示器截屏（含文字编辑器、键盘/界面元素），其局部光照梯度可能由显示设备或窗口明暗造成——这与"扫描件/翻拍件天然带照明梯度"在原理上相似。但同一论文中 11 张图同时触发，单一翻拍理由难以解释全部叠加。
• 严重程度：🟡
• 复核状态：⚠️ 存在疑点（11 张图同时触发 noise_variance 不一致，原文中未找到关于"图来自不同设备/不同拍摄条件"的说明，"统一屏幕截屏 + 局部光照"作为良性解释在原文中无正面支持，仅为推测，故维持疑点。）

发现 6：arXiv 与 ICML 2026 时间线信息（自我披露，未见明显异常）

• 位置：arXiv 标注 "22 May 2026"；ICML 2026 标注 "PMLR 306, 2026"
• 描述：当前日期 2026-08-14，arXiv v2 提交日期（22 May 2026）距今不足 3 个月，时间线合理。ICML 2026 录用与 PMLR 306 出版符合"会议开始前公开"惯例。
• 证据：原文 "arXiv:2604.19000v2 [cs.LG] 22 May 2026"；"Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026."
• 严重程度：🟢（信息项，无异常）
• 复核状态：✅ informational（不构成学术不端证据，仅记录时间线信息）

⚠️ 发现 7：PRIME benchmark 与 FATE-M 存在 4/156 题"概念相似"的潜在污染

• 位置：Appendix B.1
• 描述：作者自述："only 4 out of 156 problems share conceptual similarity with FATE-M, while the remaining 152 are entirely unique"。作者自陈这 4 题的 NL/FL 表示"differ significantly due to distinct formalization choices"。这一数据隔离声称与"潜在污染"的边界，正是读者关心的关键。论文未提供这 4 题的具体编号表（仅给出 #133 vs FATE-M #136 一个例子），无法核实其余 3 题的区分度，且 §4.3 在 PRIME 上的 main results 涉及面较窄（156 题 1 个 benchmark 单 seed），潜在污染对 SOTA 声明的边际影响有限，因此降级保留。
• 证据：原文 Appendix B.1："our analysis confirms that only 4 out of 156 problems share conceptual similarity with FATE-M, while the remaining 152 are entirely unique."（机器核验：1 个原文命中，1 个未找到命中；"确认 4/156"这一具体措辞原文存在）。
• 严重程度：🟢（作者主动披露，证据级别较低）
• 复核状态：⚠️ 依据不足（4/156 的题量大且作者提供例证说明 NL/FL 表示不同，但其余 3 题缺乏可核实细节；属于潜在污染风险而非已成立的污染。）

发现 8：基线模型按规模分布的"不规则"现象（数据真实，原文可见）

• 位置：Table 2 / Table 6（Baselines）
• 描述：在 Pass@k 设置下，StepFun-Formalizer-7B SC=76.92 < StepFun-Formalizer-32B SC=78.77（仅高 1.85），而 Kimina-Autoformalizer-7B SC=93.23 远高于两者。这是已发表基线的固有特征，并非作者造假；但作为"模型规模与性能脱钩"的辅助观察被记录。
• 证据：Table 2 数值（机器核验 5 个数据点全部原文命中）。
• 严重程度：🟢（已知现象，不构成违规）
• 复核状态：✅ informational（数据真实，原文可见；属于已发表基线的固有特征，不构成学术不端证据）

耿同学辣评

耿同学曰：仔细看下来，这篇方法论论文最值得讨论的不是它的末位数字或 PRNU，而是 Table 3 那个"OPT 单独加反而退步"的尴尬消融——作者承诺"OPT 是 essential structural prior"，结果在自家 PRIME Pass@1/8 上加 OPT 直接退步 2.57/5.77 个百分点，只能靠 Curriculum Learning 勉强修回，Pass@1 SC 仅与 Baseline 持平。这与核心贡献声明形成张力，要解释清楚才行。Table 2 上自家 DSR-Global 在 SC 维度三次反超 DSR 同样值得追问：你说"new SOTA"，那 SC 不算了？至于机器取证的 PRNU/copy-move/噪声方差线索，作者的论文以方法论框架图、编辑截屏和表格为主，理论上不存在"多源图像设备"的前提，统一导出管线确实是良性假设，但偏移 (32,0) 在十几张图上以 42–86 对精确匹配、(48,0) 在一张图上 304 对精确匹配，仅靠"统一导出"消化不下，建议作者公开全部示意图与截屏的原始 PNG/EPS 文件，让独立第三方重跑取证模块验证末位数字与图像线索。论文的作者声明（PRIME 经专家手工形式化、FATE-M 仅 4 题概念相似且 NL/FL 表示不同）需要原始 Lean 4 源代码与 commit 历史支持才能彻底落实。

建议后续行动

• 联系作者要求提供 Table 3 在 PRIME 上"+Operator Tree 单独退步"的完整 30 次随机种子原始数据
• 在 PubPeer 上提出 PRNU/copy-move 机器取证线索（同一论文多张图 NCC=1.000、偏移 (32,0)/(48,0) 高度匹配）
• 核验 DSR 与 DSR-Global 代码差异是否仅在于 repair 策略（DSR-Global 在 2/3 benchmark SC 上反超 DSR，差异是否仅由 prompt 决定）
• 要求作者公开 PRIME benchmark 的 Lean 4 源代码（含 #133 与 FATE-M #136 的完整对照）以及 commit 历史，以核实"专家手工形式化"声明
• 在 PRNU 线索方向：要求作者提供 Figures 1/2/3/4/5/6/7/8 的原始 PNG/EPS 文件，由独立第三方重跑取证实证 (32,0)/(48,0) copy-move 匹配区域是否为图标/边框/排版元素而非复制实验图
• 由于机器取证 [S1][S2] 在受控范围数据上适用前提有限，末位数字线索不单独作为举报主线，但应作为要求作者公开原始数据的依据

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

---

🧮 证据合成（自动生成）

• 综合后验概率：≥99.9%（先验 5%）
• 95% 可信区间：[100%, 100%]
• 贝叶斯因子：BF = 1.09e+22（决定性（decisive））
• 综合评级：🔴 高度疑似
• 复核已排除线索：15 条（良性解释成立 / 检验前提不满足 / 说明性条目，未计入合成）

贡献最高的证据：

1. [I31] [img-021.png] 检测到 copy-move 复制粘贴：偏移 (0,88) 处 12 对匹配块（image/copy_move，logLR=1.46）— 贡献 4.3%
2. [I26] [img-018.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 42 对匹配块（image/copy_move，logLR=1.46）— 贡献 4.2%
3. [I6] [img-005.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 84 对匹配块（image/copy_move，logLR=1.46）— 贡献 3.9%
4. [I22] [img-015.png] 检测到 copy-move 复制粘贴：偏移 (0,88) 处 12 对匹配块（image/copy_move，logLR=1.46）— 贡献 3.9%
5. [I2] [img-002.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 42 对匹配块（image/copy_move，logLR=1.46）— 贡献 3.8%

免责：本小节由程序化贝叶斯合成自动生成，不构成学术不端判决。先验固定 5%，证据间按条件独立处理（可能高估相关证据的联合强度），LR 版本 geng_lr_v3（Phase 5 基准回归校准：任务级触发率比值+复核处置标签，n=11，向 v2 收缩 k=10）；可信区间与点估计来自同一后验（先验抽样 + LR 噪声的联合蒙特卡洛，区间随证据强度收敛）。请以正文具体发现与原始数据为准。