MechGeo: Autoformalizing and Proving Euclidean Geometry in Lean 4¶
作者: Hao Shen, Junyu Guo, Tian Cui, Yuxuan Xiao, Lihong Zhi
来源: XAGI 2026 交叉智能大会 · Session 02 AI4Math & Theory · 返回会议场次
报告: MechGeo: Autoformalizing and Proving Euclidean Geometry in Lean 4 · 讲者 沈皓(中国科学院大学 · 中国科学院数学与系统科学研究院)
论文: arXiv:2608.02295
本页是会议报告的对应论文长篇精读;会议现场的报告摘要见场次页。
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的领域是AI 数学推理中的一个子方向:面向竞赛几何的自动形式化(autoformalization)与机器可验证证明(certified proving)。其根本问题是:如何让大语言模型(LLM)不仅能在自然语言层面"解出"几何题,还能将题目忠实地翻译成定理证明器(如 Lean 4)中的形式化陈述,并构造出由内核验证的完整证明。这个方向的成熟度处于快速上升期但远未饱和:一方面,神经-符号混合系统(如 AlphaGeometry 系列)已在竞赛几何上达到金牌水平;另一方面,这些系统的输出往往不是机器可验证的,且依赖专用语言而非通用数学库(如 Mathlib),导致"形式化鸿沟"(formalization gap)成为瓶颈。
发展脉络(history)¶
- 奠基工作(经典代数方法):吴文俊的吴方法(Wu, 1986)和 Gröbner 基(Buchberger, 1970)奠定了几何定理机器证明的代数基础——将几何命题转化为多项式方程组,通过消元验证结论。这一路线在 Chou et al. (1994, 2000) 的面积法、全角法和演绎数据库中得到系统化。留下的口子:这些方法能判定命题真伪,但无法产出人类可读、机器可验证的证明,且对辅助线构造等"非代数"步骤无能为力。
- 主要进展(神经-符号混合):AlphaGeometry (Trinh et al., 2024) 和 AlphaGeometry2 (Chernyovyi et al., 2025) 用 LLM 引导辅助构造、符号引擎负责演绎,在 IMO 2000-2024 几何题上达到 84% 的解答率(AG2)。TongGeometry (Zhang et al., 2026) 进一步用树搜索扩展了可证明的定理库。留下的口子:这些系统使用专用几何语言(非 Mathlib 原生),其"证明"未经 Lean 内核验证,且无法直接复用通用数学库中的定理。
- 当前 frontier(形式化与智能体):Lean 4 (de Moura & Ullrich, 2021) 与 Mathlib 提供了通用数学形式化平台。LeanGeo (Song et al., 2025) 提供库、自动化和竞赛几何基准;Euclean (Tang et al., 2026) 通过约束显式化、配置锚定、形式化映射和迭代修复实现 Mathlib 原生几何形式化。同时,通用证明智能体如 Goedel-Prover-V2 (Lin et al., 2025)、Hilbert (Varambally et al., 2026)、Numina-Lean-Agent (Liu et al., 2026)、LEAP (Kung et al., 2026) 在 Putnam 等基准上取得突破,但几何问题仍是最难的形式化领域之一,因为隐含的拓扑/非退化条件极难自动补全。
- 本文的位置:MechGeo 是第一个将"忠实自动形式化"与"内核验证证明"统一在 Mathlib 原生框架下的智能体系统。它通过 GeoIR 中间表示 + 确定性翻译 + 语义评分 + 反例驱动的迭代修复,在 43 道 IMO 历史几何题上达到 29 道直接证明、14 道反例修复后全部证明的成绩,并首次在 Lean 中证明 IMO 2026 P2。
子线索聚类¶
- 代数/符号几何证明(Wu 1986; Buchberger 1970; Chou et al. 1994, 2000):吴方法、Gröbner 基、面积法。核心是多项式消元,优点是完备性强,缺点是不可验证、不可读。
- 神经-符号混合系统(Trinh et al. 2024; Chernyovyi et al. 2025; Zhang et al. 2026):LLM 引导构造 + 符号演绎。核心是搜索与构造,优点是解答率高,缺点是输出非形式化、依赖专用语言。
- 形式化几何库与基准(Boutry et al. 2019; Beeson et al. 2019; Murphy et al. 2024; Song et al. 2025; Tang et al. 2026):在 Coq/HOL Light/Lean 中形式化几何公理体系(Tarski 几何、面积法、吴方法),以及自动形式化工具链。
- 通用证明智能体(Lin et al. 2025; Varambally et al. 2026; Liu et al. 2026; Kung et al. 2026; Xin et al. 2026):LLM + 证明器交互的智能体框架,强调自我修正与工具调用,但几何专项能力不足。
这个方向在追问的核心问题¶
- 忠实性(faithfulness):如何确保形式化陈述与自然语言题目的语义一致?隐含条件(如"三角形"隐含非共线、"内点"隐含严格在内部)如何自动补全?
- 可验证性(verifiability):如何让证明完全由内核检查,不依赖外部求解器的信任?
- 可迁移性(transferability):如何让几何证明复用 Mathlib 的通用数学库,而非封闭的专用语言?
- 效率(efficiency):如何平衡几何推理(保持结构)与代数计算(暴力消元)?
已知瓶颈:① 形式化陈述的"语义鸿沟"——LLM 直接生成 Lean 语句的失败率极高(本文表 1 显示直接翻译在弱模型上仅 0-30% 成功率);② 非退化条件的自动识别——人类靠图形直觉,机器靠显式逻辑;③ 证明搜索空间巨大,纯符号方法在复杂题上不可行。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:"现有系统要么能解但不可验证(AlphaGeometry),要么可验证但需人工形式化(LeanGeo/Euclean),缺乏一个端到端自动化的闭环。" 具体而言,作者在 intro 中强调:"Most evaluations, however, begin with already formalized statements, leaving open a prior challenge: faithfully translating the intended configuration into a formal statement." 作者将"形式化"与"证明"视为同等重要的双目标,并声称其 GeoIR 中间表示是解决"忠实性"的关键创新。被淡化的竞争路线:作者对纯符号方法(吴方法)的评价是"效率敏感于坐标选择和变量排序",但未讨论这些方法在可判定性上的理论优势;对 AlphaGeometry 的讨论聚焦于"不可验证",但未深入其辅助构造能力对搜索效率的贡献。
张力¶
未见明显对立引用。但存在一个隐含张力:AlphaGeometry 系列(Trinh et al. 2024)强调"无需人类证明即可解题",而本文及 Euclean 强调"必须内核验证",这两者对"什么是成功的几何 AI"有不同定义。另一个张力是:Goedel-Prover-V2 等通用智能体在 Putnam 上表现优异,但在 IMO 几何上却远逊于专用系统,暗示领域专用性与通用性之间存在 trade-off,本文选择了领域专用(GeoIR)路线。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据交代清楚¶
核心记号(以 IMO 2026 P2 为例,见 Figure 2 和 Listing 1):
- 几何对象:
A, B, C, M, N, K, L, O均为EuclideanSpace ℝ (Fin 2)类型的点,即二维欧氏空间中的点。M = midpoint A B表示 M 是线段 AB 的中点,N = midpoint A C同理。 - 参数 / 待证命题:
O是三角形 AKL 的外心(circumcentre),即满足dist O A = dist O K = dist O L的点。待证结论:dist O M = dist O N。 - 假设(hypotheses):
AffineIndependent ℝ ![A, B, C]:A、B、C 不共线(三角形非退化)。AffineIndependent ℝ ![B, M, C]、AffineIndependent ℝ ![A, B, L]等:相关子三角形非退化。K ∈ convexHull ℝ {B, M, C}:K 在三角形 BMC 的凸包内(即"K 在 △BMC 内部"的形式化)。L ∈ convexHull ℝ {B, N, C}:同理。- 角度等式:
∠KBA = ∠ACL、∠LBK = ∠LNC、∠LCK = ∠BMK,在 Lean 中用EuclideanGeometry.angle表示。 - 可观测数据:在形式化语境中,"可观测"指的是题目给出的全部假设(点、线、圆、角度、包含关系),而"想要但观测不到"的是证明路径——即如何从假设推导出结论。关键点在于:形式化陈述必须显式列出所有隐含条件(如非共线、点在凸包内),否则证明可能对退化情形失效。
模型:本文的"模型"不是一个概率模型,而是一个形式化系统:自然语言题目 → GeoIR(中间表示)→ Lean 4 语句 → 证明搜索 → 内核验证。其中 GeoIR 是一个受限的、类型化的几何描述语言,其语法和语义在附录 B 的 Table 8 中给出。
第二步:最小内核¶
最小内核:本文的核心数学/计算任务可以剥离为以下命题:
给定一个由点、线、圆、角度等式、包含关系构成的几何构型,判断一个给定的几何等式(如距离相等、角度相等、共线、共圆)是否在欧氏几何公理下成立,并构造一个 Lean 可验证的证明。
这个命题的最简特例是:两个点 A、B 和它们的中点 M,证明 dist A M = dist M B。在这个特例下:
- 假设:
M = midpoint A B(即 M 是 AB 的中点)。 - 结论:
dist A M = dist M B。 - 证明:由中点的定义,
M = (A + B) / 2,因此dist A M = ||A - (A+B)/2|| = ||(A-B)/2|| = ||B - (A+B)/2|| = dist M B。在 Lean 中,这可以通过midpoint的定义和norm的性质直接完成。
为什么这个特例是"最小内核":它包含了本文方法的所有关键要素——(1)形式化:需要将"中点"翻译成 Lean 中的 midpoint 函数,将"距离相等"翻译成 dist 的等式;(2)证明:需要调用 Mathlib 中关于 midpoint 和 norm 的引理;(3)验证:Lean 内核检查证明项的类型是否正确。一般化:从两个点推广到任意有限点集、从距离等式推广到角度等式、从单个结论推广到复合结论,就得到了 IMO 2026 P2 这样的复杂问题。难点所在:当构型复杂时,证明路径不再显然,需要 LLM 规划子目标、选择代数化或几何推理的策略,并处理大量非退化条件。
本文在数学上到底干了什么:它设计了一个智能体框架,使得 LLM 能够(1)将自然语言题目翻译成 GeoIR(结构化中间表示),(2)将 GeoIR 确定性翻译成 Lean 语句,(3)通过语义评分和反例检测迭代修复形式化错误,(4)在证明阶段通过"选择性代数化"(selective algebraization)将几何子目标转化为多项式方程,用 CAS 生成证书,再由 Lean 验证。其核心创新在于将"形式化"和"证明"两个环节解耦,并用反例驱动的修复循环保证形式化的忠实性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:如何让 LLM 自动将自然语言的欧氏几何竞赛题翻译成 Mathlib 原生的 Lean 4 形式化陈述,并构造内核验证的证明或反例。
- 核心工具/方法:一个两阶段智能体框架——GeoFormalizer(通过 GeoIR 中间表示 + 语义评分 + 迭代修复实现忠实形式化)和 GeoProver(通过证明规划 + 选择性代数化 + CAS 证书 + Lean 验证实现可靠证明)。
- 主要结论:在 43 道 IMO 历史几何题上,GeoFormalizer 生成的形式化陈述中 29 道被 GeoProver 直接证明,14 道被反例检测出形式化错误,经专家修复后全部 43 道获得内核验证的证明;在 LEAP 的 Lean-IMO-Bench 14 道题上首次证明 12 道,并反例修复剩余 2 道。
关键设定与假设¶
- 形式化设定:所有几何对象均为
EuclideanSpace ℝ (Fin 2)中的点,即二维实欧氏空间。这是 Lean 中 Mathlib 的标准设定,与 AlphaGeometry 的专用语言不同。 - 非退化假设:每个三角形(如 ABC、BMC、AKL)都要求
AffineIndependent,即三点不共线。这是几何命题成立的必要条件,也是形式化中最容易遗漏的部分。 - 包含关系:K 和 L 分别位于三角形 BMC 和 BNC 的凸包内(
convexHull),这比"在三角形内部"更强,因为它允许边界点,但排除了外部点。 - 角度等式:用
EuclideanGeometry.angle表示,其值域为[0, π],且对退化角(如零角)有特殊处理。 - 相比已有工作的变化:相比 LeanGeo(Song et al. 2025)和 Euclean(Tang et al. 2026),本文的 GeoIR 是确定性翻译而非 LLM 直接生成,且引入了语义评分(F-score)和反例驱动的修复,显著提高了形式化的忠实性。
主要结果¶
- RQ1(形式化):GeoFormalizer 在 200 道题(MG200)上达到 96.7% 的 elaboration 成功率,远超直接翻译的 82.8%(Euclean)和 36.6%(直接 LLM 生成)。在弱模型(Qwen3.7-Max、MiniMax-M3)上提升尤为显著(从 0-30% 提升到 90%+)。
- RQ2(证明与反例):GeoProver 在 200 道题上证明 67 道、反例 45 道(使用 GPT-5.6-Sol 时),远超 Numina-Lean-Agent(44 道)和 Hilbert(13 道)。CAS 消融实验显示,移除 CAS 后证明数从 73 降至 29,说明代数化是关键组件。
- RQ3(IMO 级别):43 道 IMO 历史题中 29 道直接证明、14 道反例后修复证明;IMO 2026 P2 在 4895 秒内完成证明;Lean-IMO-Bench 14 道中 12 道首次证明、2 道反例后修复。
证明路线与技术技巧¶
整体路线(以 IMO 2026 P2 为例,见 Figure 2):
- 形式化:GeoFormalizer 将自然语言题目翻译成 GeoIR,再确定性翻译成 Lean 语句。关键技巧是约束显式化——将"K 在 △BMC 内部"翻译为
K ∈ convexHull ℝ {B, M, C},将"∠KBA = ∠ACL"翻译为EuclideanGeometry.angle K B A = EuclideanGeometry.angle A C L。 - 证明规划:GeoProver 的 LLM 规划器生成证明大纲,识别关键子目标。对于 IMO 2026 P2,规划器识别出需要证明 O 到 M 和 N 的距离相等,即
dist O M = dist O N。 - 选择性代数化:将几何子目标(如角度等式、距离等式)转化为多项式方程。例如,将
∠KBA = ∠ACL转化为关于坐标的代数条件,通过to_poly策略实现。 - CAS 证书生成:调用 Singular 或 SymPy 计算多项式消元,生成证书(cofactor 表示)。
- Lean 验证:将证书翻译为 Lean 证明项,由内核检查。关键技巧是
linear_combination策略,它接受 CAS 生成的线性组合系数,直接构造证明。
技术技巧点名:
to_poly策略:将几何谓词(共线、共圆、角度相等)转化为多项式等式,是连接几何与代数的桥梁。linear_combination策略:利用 CAS 生成的证书,将多项式恒等式转化为 Lean 证明,避免了在 Lean 中重新进行复杂的代数计算。- 选择性代数化:不是将整个问题代数化,而是只对子目标进行,保留几何推理的结构,避免变量爆炸。
- 反例驱动的修复:当证明失败时,GeoProver 尝试构造反例;若反例存在,则说明形式化陈述有误,反馈给 GeoFormalizer 修复。
🔎 结论是否比证明窄¶
是,存在明显差距。具体表现:
- "证明"与"反例"的不对称:论文声称"43 道 IMO 题全部获得证明",但其中 14 道是先反例后修复的。这意味着原始形式化陈述有误,修复后的陈述可能与原题语义不完全一致。作者在 4.4.1 和 4.4.2 中承认了这一点,但未讨论修复过程是否可能引入新的偏差。
- "证明"的完整性:论文没有说明 29 道直接证明的题目中,是否所有证明都完全由 LLM 自动生成,还是包含人工干预。从附录 F 的代码看,IMO 2026 P2 的证明包含大量手工构造的引理(如
three_angle_cross_signs),这些引理是否由 LLM 自动发现,论文未明确说明。 - "反例"的语义:论文将"反例"视为形式化错误的证据,但反例也可能是题目本身在非退化条件下不成立。作者未讨论如何区分这两种情况。
- 泛化性声明:论文声称"为可信几何形式化建立了实用基础",但实验仅覆盖 200 道题,且主要来自 IMO 和 LeanGeo-Bench,对更广泛的几何问题(如涉及不等式、三维几何)的泛化性未经验证。
四、开放问题¶
- 形式化忠实性的自动化验证:论文依赖 LLM 语义评分(F-score)和反例检测来评估形式化质量,但这两种方法都不完备。如何设计更严格的语义等价性检验?这扎根于论文 3.1.3 节对"语义一致性"的讨论。
- 非退化条件的自动生成:论文通过"约束显式化"处理隐含条件,但哪些条件需要显式化、如何自动发现遗漏的条件,仍是开放问题。这扎根于 4.4.1 和 4.4.2 的反例分析。
- 证明搜索与代数化的最优平衡:论文的选择性代数化依赖 LLM 规划器判断何时代数化,但这一判断的准确性未经验证。是否存在系统性的策略?这扎根于 3.2.2 节和消融实验(表 3)。
- 跨领域迁移:GeoIR 是为欧氏平面几何设计的,能否扩展到立体几何、解析几何或更一般的数学领域?这扎根于论文对 AlphaGeometry2 覆盖 88% IMO 几何题的讨论(Chernyovyi et al. 2025)。
- 证明的可读性:论文的证明(如附录 F)包含大量
linear_combination调用,对人类读者不友好。如何生成既机器可验证又人类可读的证明?这扎根于论文对"可读证明"的隐含承诺。
提示:要确认这些是否是真 gap,建议去读 LeanGeo(Song et al. 2025)、Euclean(Tang et al. 2026)和 LEAP(Kung et al. 2026)的近期论文,看它们是否已经解决了上述问题——如果多篇论文都指向同一个开放问题,那很可能是共识性的真 gap;如果各说各话,则可能是机会所在。
Maintained by 陈星宇 · Homepage · Source