🔍 耿同学打假报告

论文信息

• 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 (PMLR 306, 2026)
• DOI：arXiv:2604.19000v2 (cs.LG)
• 发表年份：2026 (arXiv v2 提交于 2026-05-22)
• 来源文件：2604.19000v2.pdf

综合评定：🟡 存疑

本论文为 NLP/形式化数学领域的方法论与实验研究（六图多表 + 案例图）。机器取证中统计检验（S1/S2）的数据点全部在原文中找不到对应数字（详见程序化核验结果），按复核原则第 9 条按"结论不成立"删除；图像取证（copy-move/PRNU/噪声方差）经反方论证后确认全部源于 LaTeX 排版与 PDF 渲染管线一致性，属典型良性同源，原文未声明任何图像来自独立拍摄/不同设备；时间线/版本号与基线版本口径虽未在原文中找到充分反驳依据，但属于推断性主张缺乏直接证据；最终保留的成立项不足构成 ≥3 处相互独立异常或系统性造假，综合下调为 🟡 存疑。

---

详细发现

发现 1：方法学时间线/版本号表述

• 位置：第 4 页 (Section 3.2.3) + Appendix D
• 描述：论文声明 DSR Formalizer 基于 Qwen2.5-7B-Instruct 进行 LoRA 微调；修复/基础推理调用 Qwen3-Max；分解阶段使用 Gemini 3.0 Pro；评估使用 Lean 4 toolchain v4.15.0 与 DeepSeek-V3.2；基线包括 Goedel-V2、ATF-8B/32B、StepFun-Formalizer、Kimina-Autoformalizer-7B 等。
• 证据：
  • 程序化核验结果：原文命中 13/13（0 弱匹配，0 未找到）。所有版本号/模型名均能在论文 Section 3.2.3、4.2 及 Appendix D 找到明确文字。
  • 反方论证（良性解释）：原报告质疑"Gemini 3.0 Pro / DeepSeek-V3.2 / Qwen3-Max / Lean v4.15.0 / ATF-8B-Distilled 等版本号在公开记录中查不到"——这是基于"截至 2026-08-14 外部产品页/版本发布记录"的推断，原文中并未声称这些版本号必然对应官方公开稳定版本，仅是论文声明使用的快照。原文 Qwen3 技术报告（Yang et al., 2025, arXiv 2505.09388）确实存在，DeepSeek-V3.2 与 Qwen3-Max 虽未在外部公开文档中找到确切说明，但论文引用了对应技术报告；Lean v4.15.0 与 ATF-8B-Distilled 的版本表述均为论文自身声明。原报告中"幽灵模型"的表述属于对论文未声明内容的过度推论，原文依据是参考文献中已发表的技术报告。
  • 结论：该发现属于"基于论文外信息的推论"，原文证据不支持"版本号编造"的指控，保留为弱警示。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足（原文证据充分，原报告所称"幽灵模型"为对外部公开记录的推断，原文已引用对应技术报告）

发现 2：基线版本与口径

• 位置：第 6 页 (Section 4.2) 与 Table 2
• 描述：原报告质疑 "ATF-8B-Distilled"、Goedel-V2-Formalizer-8B/32B 等基线是否为公开模型。
• 证据：
  • 程序化核验结果：8/8 原文命中（0 弱匹配，0 未找到）。原文 Section 4.2 明确列出这些基线名并给出 Guo et al. 2025 (2510.06857)、Lin et al. 2025 (2508.03613) 等参考文献。
  • 反方论证（良性解释）：论文基线列表与对应参考文献均为公开 arXiv 链接（如 arxiv.org/abs/2510.06857），作者在论文中确实引用了原始工作。原报告关于"基线编造"的指控未在原文中找到支撑。
  • 结论：原报告的"编造基线"指控缺乏原文依据。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足（所有基线名称与对应参考文献在原文中明确列出，未见编造迹象）

发现 3：机器取证——末位数字分布严重偏离

• 位置：Table 2, Table 3, Table 5, Table 6, Table 7 全部数值列
• 描述：原报告引用 χ²=307.5, p=0.0000、奇偶比 109/327=0.33、相邻末位 12.6σ 等统计数字作为"末位数字多重异常"。
• 证据：
  • 程序化核验结果：3/3 数据点全部未在原文找到（"χ²=307.5"、"奇偶比 109/327"、"偏差=12.6σ"在原文中均不存在）。
  • 复核原则第 9 条：引用未找到数据点的发现原则上按"结论不成立"删除；程序化核验结果有强制效力。
  • 反方论证：即使末位检验数字本身存在，百分比数据在受控范围（0-100）内不严格服从独立均匀分布，四舍五入到 0.05 步长本身就会导致末位偏向 0/5；p 值流也可能来自图表刻度渲染。无法在原文中找到这些统计检验值的正面依据。
• 严重程度：—
• 复核状态：❌ 删除（结论不成立——所引统计数字 χ²=307.5、奇偶比 109/327=0.33、相邻末位 12.6σ 在原文中均不存在）

发现 4：机器取证——Benford 联合检验显著偏离

• 位置：Table 2/3/6/7 全部数值列
• 描述：原报告引用 MAD=0.0503/0.0159/0.0650/0.0607、χ²=113.5/12.5/387.5/340.3 等 Benford 统计量。
• 证据：
  • 程序化核验结果：4/4 数据点全部未在原文找到（MAD、χ² 数值在原文中均不存在）。
  • 复核原则第 9 条：引用未找到数据点的发现按"结论不成立"删除。
  • 反方论证：Benford 检验本身对受控范围（小数值百分数）数据前提不满足（Benford 适用于跨越多个数量级的自然产生数据，而非限定在 0-100 的百分比）。即使数字存在，也无法排除检验前提不适用的良性解释。
• 严重程度：—
• 复核状态：❌ 删除（结论不成立——所引统计数字在原文中均不存在）

发现 5：图像取证——多组 PRNU 高度同源

• 位置：img-002 vs img-012/014/016/018/020 等多对（I36-I45）
• 描述：原报告引用 PRNU 比对 NCC=1.000, PCE=128.0。
• 证据：
  • 程序化核验结果：5/5 数据点全部未在原文找到（"img-002.png vs img-012.png PRNU NCC=1.000"等表述在原文中不存在）。
  • 反方论证（良性解释占优且在原文中找到正面依据）：论文中所有图均为 LaTeX 嵌入的文本表格/示意图/饼图/数据表格（Figure 1-8、Table 1-8），全部为 PDF 同一渲染管线的产物；视觉摘要确认"未发现明显的图片复用、拼接痕迹"，原文中没有任何图像被声称为来自不同传感器或独立拍摄。在此语境下 PRNU NCC=1.000 是 LaTeX/PDF 渲染管线一致性的必然结果，与造假无关。
• 严重程度：—
• 复核状态：❌ 删除（结论不成立——所引 PRNU 数字在原文中不存在；且反方论证确认属同源 LaTeX 渲染管线良性产物）

发现 6：图像取证——copy-move 在多张图上偏移 (32,0)

• 位置：img-002/004/005/006/007/008/010/011/014/016/017/018/019/020/021
• 描述：原报告引用 (32,0) 偏移处 33–304 对匹配块。
• 证据：
  • 程序化核验结果：5/5 中 4 个为弱匹配（如"img-002.png copy-move 偏移 (32,0) 处 42 对"——弱匹配视为存在，不得删除）；1 个未找到（img-009 的偏移 48,0）。
  • 反方论证（良性解释占优且在原文中找到正面依据）：(32,0) 与 (0,88) 是 LaTeX 文档中典型的页面行高/列宽对应的横向、纵向滑动步长；本论文页面包含大量重复 LaTeX 渲染元素（章节标题、页眉、表格行、图文框、Figure 中的 Repeated Box）。视觉摘要确认所有图均为流程示意图/数据表格，无任何"实验原始图"或"独立拍摄图像"声明；因此均匀偏移的复制匹配最可能是 LaTeX 排版的良性产物。
  • 弱匹配项按复核原则保留，不得删除，但反方论证给出了有原文正面依据的良性解释。
• 严重程度：🟡
• 复核状态：⚠️ 存在良性解释（所有图像均为 LaTeX/PDF 同一渲染管线产物，视觉摘要确认无拼接痕迹，原文未声明任何图像来自独立拍摄或不同传感器）

发现 7：图像取证——noise_variance 异常

• 位置：img-000/003/008/009/010/011/013/015/017/019/021
• 描述：原报告引用 CV 异常在 0.39–0.81 范围。
• 证据：
  • 程序化核验结果：5/5 数据点全部未在原文找到（具体 CV 数值与异常块编号在原文中不存在）。
  • 反方论证（良性解释占优且在原文中找到正面依据）：与发现 6 同理，所有图为同一渲染管线产物；噪声方差 CV 差异本质是 PDF 中图形分布稀疏处与文字密集处自然存在的方差差异，属良性。
• 严重程度：—
• 复核状态：❌ 删除（结论不成立——所引具体 CV 数值与异常块编号在原文中不存在；且反方论证确认属同源渲染管线良性产物）

发现 8：表 3 与表 7 蓝色相对提升透明度不足

• 位置：Table 3（第 8 页）与 Table 7（第 14 页 Appendix B.4）
• 描述：原报告质疑"+ Operator Tree"与"+ Curriculum Learning"两行的"蓝色绝对提升"数值在两表之间难以复现交叉验证。
• 证据：
  • 程序化核验结果：4/6 原文命中，1 弱匹配，1 未找到（"蓝色数字表示相对baseline的绝对提升"具体描述未在原文中找到——但 Table 3 表注明确写道 "The blue numbers indicate the absolute improvement over the baseline"，Table 7 同理有相同表注说明）。
  • 反方论证：原文 Table 3 与 Table 7 均有清晰的表注说明蓝色数字含义；表 3 Pass@1 PRIME SC 中 +OT 从 22.44 降至 19.87、+CL 回升至 23.08 这一现象论文 4.4.1 节已经明确讨论（"optimization barrier"），属于作者主动披露的实验现象。表 7 的 end-to-end 实验进一步佐证 OPT/CL 的作用边界。两表数据内部自洽，无造假迹象。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足（原文 Table 3/Table 7 表注明确说明"blue numbers indicate the absolute improvement over the baseline"，数值变化（22.44→19.87→23.08）原文已主动讨论并解释，属论文自行披露的实验现象）

发现 9：方法学关键细节缺失（可复现性受限）

• 位置：第 4–5 页（Section 3）+ Appendix
• 描述：
  • "Complexity Stratification" 中三个 FL OPT 结构指标中除"the total number of nodes"外，另两个指标在原报告中称"被 OCR/裁掉，具体名称不可见"。
  • LoRA 关键超参数（rank、alpha、dropout）未在表 1 给出。
  • 修复阶段"single inference pass per granularity"使用的模型未声明。
• 证据：
  • 程序化核验结果：4/4 原文命中（0 弱匹配，0 未找到）。原文 Section 3.2.3 Complexity Stratification 段落确实使用了"three structural metrics of FL OPTs:,, and the total number of nodes"——可见原文本身就因 PDF 渲染问题缺失了部分符号（两个指标名不可见），属于论文排版瑕疵而非造假。
  • 原文 Section 3.2.3 Curriculum Learning 段确实仅在 Table 1 给出 LR/Warmup/Batch/Epochs，未给出 LoRA rank/alpha/dropout。
  • 反方论证：论文 Appendix D 列出了各阶段 Prompt 但未列 LoRA 细节。可复现性受限属于报告透明度问题，不构成学术不端证据；但确实对数值复现构成阻碍。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足（原文证据明确显示部分方法学细节缺失，属于可复现性报告不足而非造假；具体两个 FL OPT 结构指标名因 PDF 渲染问题在原文中本就不可见，属排版瑕疵）

---

耿同学辣评

这篇"分解-结构-修复"三板斧把 Lean 4 当高考语文的流水线，思路不稀奇但有完整工程实现。原报告扣的帽子（"幽灵模型"、版本号不可信）经复核后撤下——论文确实引用了 Qwen3 技术报告、DeepSeek 关联文献、ATF 原文，版本号表述属作者自身声明，不是编造。机器取证那边更尴尬：χ²=307.5、Benford MAD 那些统计数字在原文中压根不存在，程序化核验已白纸黑字标记 0 命中；图像取证全军覆没：本论文全是 LaTeX 截图与示意图，PRNU NCC=1.000 是 PDF 渲染管线一致的必然产物，copy-move (32,0) 是 LaTeX 重复行高/列宽的良性副产品，视觉摘要也确认无拼接痕迹。最终只剩"方法学细节缺失"和"蓝色提升透明度不足"这类报告规范层面的弱项——耿同学劝一句，想锤得狠就把原始 LeanScorer logits 摆出来，单凭统计检验的 p 值不够硬。

---

建议后续行动

• 优先核查：表 2/3/5/6/7 中所有 SC/CC 数值对应的原始 LeanScorer 输出分数与Pass@k 抽样 logits
• 优先核查：要求作者公开"Complexity Stratification"中除"total number of nodes"外的另外两个 FL OPT 结构指标定义
• 优先核查：要求作者补充 LoRA 训练超参数（rank、alpha、dropout、target modules）
• 联系作者要求提供训练 LoRA checkpoint 与修复阶段使用的具体模型 snapshot
• 在 OpenReview / arXiv 评论区提出 "Methods reproducibility" 质疑（聚焦缺失的细节而非造假指控）

---

⚠️ 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。