PaperFormalizer: AI formalizuje dowody naukowe w Lean z autorem
PaperFormalizer to agentowy pipeline AI, który pomaga autorom wykrywać luki w dowodach i formalizować artykuły naukowe w Lean.

Źródło zdjęcia: arXiv.org
PaperFormalizer to nowe narzędzie badawcze opisane w pracy zgłoszonej na arXiv 22 października 2026 roku przez Jiyuana Tana, Vasilisa Syrgkanisa i Jose Blancheta. System ma pomóc autorom publikacji naukowych w wykrywaniu i domykaniu luk w dowodach matematycznych oraz w przekształcaniu własnych artykułów w wersje zweryfikowane formalnie w języku Lean — narzędziu do dowodzenia twierdzeń, szeroko stosowanym w matematyce formalnej.
Punktem wyjścia dla zespołu była obserwacja, że nawet starannie sprawdzony i zrecenzowany artykuł naukowy może zawierać drobne luki w dowodach lub nieprecyzyjnie sformułowane założenia. PaperFormalizer został zaprojektowany jako pipeline agentowy, który działa wewnątrz agenta kodującego (Claude Code lub Codex) i towarzyszy autorowi w procesie formalizacji jego własnej pracy.
Kluczowe wnioski
- PaperFormalizer przekształca artykuł naukowy napisany w LaTeX w graf zależności między poszczególnymi twierdzeniami i stwierdzeniami.
- Każde stwierdzenie jest najpierw audytowane w języku naturalnym pod kątem wierności oryginałowi, jednoznaczności i poprawności, a dopiero potem formalizowane i dowodzone w Lean w oparciu o bibliotekę Mathlib, opcjonalne biblioteki dziedzinowe oraz prywatny „zestaw narzędzi” autora.
- System zatrzymuje się i pyta autora za każdym razem, gdy dane stwierdzenie dopuszcza więcej niż jedną interpretację — żadna decyzja mogąca zmienić to, co artykuł faktycznie twierdzi, nie jest podejmowana automatycznie.
- Wynikiem działania pipeline'u jest zaanotowana i poprawiona wersja artykułu, raport zmian oraz kod w Lean, w którym każda deklaracja jest powiązana ze stwierdzeniem, które formalizuje.
- Osobisty „toolkit” autora rośnie wraz z kolejnymi formalizowanymi pracami, a autorzy mogą udostępniać swoje zweryfikowane artykuły, by inni badacze, którzy budują na ich wynikach, mogli ponownie wykorzystać gotowy kod Lean.
Jak działa pipeline krok po kroku
Proces zaczyna się od surowego źródła LaTeX. PaperFormalizer transkrybuje tekst artykułu, wyodrębniając z niego strukturę zależności — czyli to, które definicje, lematy i twierdzenia opierają się na innych. Taki graf zależności pozwala systemowi pracować nad artykułem w logicznej kolejności, zamiast analizować go liniowo.
Następnie każde stwierdzenie przechodzi audyt w języku naturalnym. Agent sprawdza, czy sformułowanie jest wierne oryginalnej intencji autora, czy nie zawiera dwuznaczności oraz czy jest poprawne matematycznie. Dopiero po tym etapie następuje właściwa formalizacja — przełożenie stwierdzenia na język Lean i dowiedzenie go z wykorzystaniem biblioteki Mathlib (standardowej biblioteki matematycznej dla Lean), ewentualnych bibliotek specyficznych dla danej dziedziny oraz wcześniej zbudowanego, osobistego zestawu narzędzi autora.
Kluczowy mechanizm całego systemu to zasada „author-in-the-loop” — autor pozostaje w pętli decyzyjnej na każdym etapie. Jak podkreślają twórcy narzędzia, tylko autor wie, co dane stwierdzenie miało faktycznie oznaczać i jak najlepiej naprawić ewentualną lukę formalizacyjną w wyniku. Dlatego pipeline nie podejmuje samodzielnie decyzji interpretacyjnych — gdy natrafia na niejednoznaczność, prezentuje każdą proponowaną naprawę zarówno w języku naturalnym, jak i w zapisie TeX, pozostawiając autorowi wybór: akceptację, odrzucenie lub przekierowanie propozycji na inny tor.
Od pojedynczego artykułu do ekosystemu zweryfikowanych prac
Autorzy pracy podkreślają, że narzędzie ma znaczenie wykraczające poza pojedynczą publikację. Zestaw narzędzi (toolkit) danego autora rośnie wraz z kolejnymi formalizowanymi artykułami — raz zdefiniowane struktury, lematy pomocnicze i wzorce dowodowe mogą być ponownie wykorzystywane przy kolejnych pracach tego samego badacza. Co więcej, autorzy mogą udostępniać swoje zweryfikowane w Lean artykuły, dzięki czemu inni naukowcy, którzy budują na tych wynikach, mogą bezpośrednio wykorzystać gotowy kod formalny, zamiast odtwarzać dowody od zera.
Taki model ma sens zwłaszcza w dziedzinach, gdzie wyniki badawcze opierają się na złożonych konstrukcjach matematycznych, a błędy w założeniach lub dowodach mogą się propagować na kolejne prace cytujące dany artykuł. Twórcy PaperFormalizera wprost deklarują, że celem narzędzia jest uczynienie weryfikowalnych formalnie publikacji praktycznym standardem, co w ich zamierzeniu ma zwiększyć solidność badań opierających się na dowodach matematycznych.
Praca, oznaczona jako arXiv:2610.31810 i sklasyfikowana jednocześnie w kategoriach Artificial Intelligence (cs.AI) oraz Logic in Computer Science (cs.LO), wskazuje też na praktyczne umiejscowienie narzędzia w istniejącym ekosystemie agentowym — PaperFormalizer nie jest samodzielną aplikacją, lecz działa jako nakładka uruchamiana wewnątrz popularnych agentów kodujących, Claude Code lub Codex. Zarówno samo narzędzie, jak i baza artykułów z udostępnionym przez użytkowników kodem Lean, są dostępne pod wskazanymi w pracy adresami internetowymi.
Podsumowanie
PaperFormalizer pokazuje, jak agenci AI mogą wspierać rygor naukowy nie poprzez automatyczne „poprawianie” prac, lecz poprzez systematyczne wykrywanie niejasności i oferowanie autorom gotowych, formalnie zweryfikowanych propozycji napraw — przy zachowaniu pełnej kontroli człowieka nad tym, co dana publikacja ostatecznie twierdzi.
Źródła
Podobne publikacje

John Urschel z MIT: matematyczne „mięśnie” wciąż ważne w erze AI
John Urschel z MIT, który rozwiązał z pomocą AI problemy opierające się matematykom od dekad, tłumaczy, dlaczego samodzielna nauka matematyki wciąż ma sens.

Gawkowski napisał książkę o AI. Krytyka za pominięcie roli nauki
Książka Krzysztofa Gawkowskiego o AI budzi kontrowersje. Minister twierdzi, że AI nie wzięła się z nauki. Przypominamy Turinga, Dartmouth, polskich logików i Lema.

MIT: nowa metoda trenowania emulatorów klimatu przy ułamku danych
Naukowcy z MIT opracowali metodę trenowania emulatorów klimatu na syntetycznych scenariuszach. Trening wymaga jednego przebiegu ESM zamiast sześciu–ośmiu.