[논문리뷰] Scaling Lean Theorem Proving for Real-World Code Verification

링크: 논문 PDF로 바로 열기

메타데이터

저자: Debargha Ganguly, Divya Raghunathan, Dejan Jovanović, Vikash Singh, Soonho Kong, Aaron Tomb, Aman Goel, Ferhat Erata, Sam Bayless

---

## 1. Key Terms & Definitions (핵심 용어 및 정의)

• EasyProver: Recursive agent 기반의 Lean 증명 시스템으로, 병렬 전술 탐색(Parallel Tactic Probing)과 분산된 인프라를 통해 증명 작업을 수행함.
• InfiniLean: 상태 비저장(Stateless) 방식의 탄력적 Lean Elaboration 서비스로, 부하 분산(Load-balancing)을 통해 대규모 증명 탐색을 지원함.
• Aegis: Competitive programming 문제를 실제 Rust 구현체 기반의 Lean 검증 태스크로 자동 변환하는 데이터 환경(Pipeline).
• Kernel-checked Proof: Lean 커널에 의해 최종 검증되어 무결성이 보장된 증명 또는 반증 결과.
• RLVR (Reinforcement Learning from Verifiable Rewards): 커널이 검증한 증명 결과를 보상(Reward)으로 활용하여 모델을 학습시키는 방식.

## 2. Motivation & Problem Statement (연구 배경 및 문제 정의) 본 논문은 기존의 Formal reasoning 및 Code verification 벤치마크들이 거의 포화 상태에 도달하여 모델의 성능을 제대로 변별하지 못하는 문제를 해결하고자 한다. 현재의 LLM 기반 증명 시스템들은 고정된 벤치마크 데이터에 대한 과적합이나 학습 데이터 오염(Contamination) 위험에 노출되어 있다. 기존 연구들은 단순한 형태의 증명에 집중하는 경향이 있으며, 실제 환경에서 발생하는 복잡한 프로그램 구조, machine-level 산술 연산, 데이터 타입 캐스팅 등을 포괄적으로 다루는 데 한계가 있다. 이에 따라 저자들은 대규모 자동 생성이 가능하면서도 실제 소프트웨어 구현체의 복잡성을 반영할 수 있는 새로운 도전적인 벤치마크 환경이 필요하다고 판단하였다 [Figure 4].

Figure 4 — Aegis 파이프라인

## 3. Method & Key Results (제안 방법론 및 핵심 결과) 저자들이 제안한 EasyProver는 재귀적 에이전트(Recursive agents), 격리된 컨텍스트(Isolated contexts), 비동기적 증명 탐색을 결합한 고도의 에이전트 시스템이다 [Figure 1]. EasyProver는 외부 모델의 별도 Fine-tuning 없이도 PutnamBench에서 669/672(99.6%) 문제를 해결하였으며, IMO 2026 문제 전수를 해결하는 등 최고 수준의 정량적 성능을 달성하였다. 또한 Aegis 파이프라인은 2,045개의 검증된 Rust–Lean 프로그램을 생성하였으며, 이를 통해 확보한 2,000개 태스크 샘플에서 EasyProver는 1,054개(52.7%)의 복잡한 증명을 30분 이내에 완료하였다 [Table 2]. 특히, Parallel Tactic Probing 기법을 통해 다수의 후보 전술을 효율적으로 처리하여 탐색 성능을 극대화하였으며 [Figure 2], InfiniLean 서비스의 활용으로 방대한 증명 연산을 분산 처리함으로써 확장성을 확보하였다 [Figure 3].

Figure 1 — EasyProver 아키텍처

Figure 3 — InfiniLean 아키텍처

## 4. Conclusion & Impact (결론 및 시사점) 본 논문은 범용 LLM 기반의 에이전트 하네스가 특화된 Fine-tuning 없이도 현존하는 대부분의 Formal mathematics 및 verification 벤치마크를 정복할 수 있음을 증명하였다. 또한 Aegis를 통해 제안된 실제 코드 기반의 증명 태스크들은 기존 벤치마크의 한계를 뛰어넘는 복잡도를 제공하여 향후 증명 에이전트의 발전 방향을 제시한다. 이 연구 결과는 Formal verification 분야에서 커널 검증 기반의 보상을 RLVR 학습에 활용할 수 있는 강력한 토대를 마련하였으며, 신뢰성 있는 소프트웨어 개발을 위한 자동화 기술의 도약에 크게 기여할 것으로 기대된다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.