我们研究了在 Dafny 语言环境下的“具身式”代码生成任务,即模型需同时生成可执行代码及其配套的形式化验证辅助构件(如证明脚手架)。为此,我们提出了 AxDafny——一种由验证器驱动的迭代修复框架,该框架能够循环生成程序实现、不变式、断言以及终止性论证。此外,我们构建了 LiveCodeBench-Pro-Dafny(LCB-Pro-Dafny)基准测试集:它包含 250 道面向竞赛风格的编程题目,全部被严谨地翻译为 Dafny 语言,并配有形式化规约及基于验证器的自动化评估框架。在 LCB-Pro-Dafny 上,AxDafny 在验证通过率上显著超越了基线模型 GPT-5.5 的表现;在 DafnyBench 基准上,AxDafny 实现了 92.7% 的验证通过率,较此前报道的最佳“证明提示”(proof-hint)基线方法提升了 6.5 个百分点。最后,我们证实:验证通过率与运行时测试准确率衡量的是生成代码的两个不同维度——前者反映代码在形式化逻辑层面的正确性,后者则体现其在具体输入输出行为上的功能性表现。

