这项由首尔大学、庆尚国立大学和延世大学聚合完成的照管，以预印本步地于2026年6月发布在arXiv平台，编号为arXiv:2603.24624v2，照管标的属于法子说话领域（cs.PL）。感兴味的读者可通过该编号在arXiv上查阅完整论文。

你无意有过这么的资格：想在一大堆文本里搜索悉数相宜某种款式的内容，比如悉数邮件地址、悉数手机号码，或者悉数以特定款式书写的日历。这时候，法子员会搬出一个叫"正则抒发式"的用具。正则抒发式就像是一个非常态状"翰墨步地"的说话，用一串看起来像乱码的瑰丽来告诉计较机："帮我找悉数长这个样式的东西。"比如 `d{3}-d{4}-d{4}` 这串瑰丽，就代表"三个数字、一个横线、四个数字、再一个横线、再四个数字"，也便是咱们熟识的电话号码款式。

然则，即使是训诫丰富的法子员，写出正确的正则抒发式亦然一件令东说念主头疼的事。稍许复杂少许的文本款式，对应的正则抒发式就可能又长又绕，一个括号放错场合就会让悉数这个词搜索逻辑坍塌。于是，照管者们天然预料：能弗成教诲AI来代劳？只需要给AI几个例子——"这些字符串应该被匹配到，那些不应该"——让它自动想出对应的正则抒发式？这便是所谓的"示例编程"（Programming-by-Example，PBE）方法。

连年来，基于深度学习的AI合成器在这个任务上获取了不少进展，速率远超以往的穷举搜索方法。但首尔大学等高校的照管团队发现，这些AI其实是在"刷精真金不怕火题"——它们测试所用的数据集，远比确切宇宙里东说念主们履行用到的正则抒发式精真金不怕火得多。

照管团队对这个差距作念了量化分析。他们发现，一个叫RegExLib的确切正则抒发式库里，抒发式的结构深度（不错相识为嵌套层数）平均达到4.40，抽象语法树节点数（用来忖度抒发式有多"稠密"）平均高达23.69，而且每个抒发式平均含有1.25个"或者"类型的分支结构（也叫Union操作符）。比较之下，现存AI模子常用来教诲和测试的合成数据集，这三个数字分别唯有3.39、6.45和0.04——精真金不怕火进程不在一个量级上，节点数差了快要四倍，"或者"分支更是收支越过30倍。

这意味着什么？意味着那些在测试集上阐扬亮眼的AI模子，换到确切宇宙的复杂正则抒发式面前，很可能就安坐待毙了。照管团队将这个快意称为"基准测试与现实脱节"的问题。为了解决它，他们建议了一套名叫RESYN（Recursive Synthesis，递归合成）的完整框架，并配套开发了一个叫SET2REGEX的新模子。

---

一、现存AI为什么会在复杂正则抒发式面前"翻车"

要相识RESYN解决的问题，先得昭彰现存AI方法为安在复杂情况下会失败。

现存的基于神经集聚的正则抒发式合成器，基本上遴选的是"序列到序列"（Seq2Seq）的职责方式。这种方式的本色是：把给定的几个示例字符串排成一排，然后让模子"阅读"这个序列，再生成对应的正则抒发式字符串。不错把它比作一个翻舌人，他把汉文例句排成一瞥，然后把这行汉文翻译成英文。

这个方式有两个内在颓势。其一，示例字符串本色上是一个"集中"，集中里的元素本来莫得要领之分——"先给猫的例子再给狗的例子"和"先给狗再给猫"，关于学习限定来说应该莫得区别。但序列模子会把输入的要领当成有道理的信息来学习，导致它在见到不同要领的例子时，可能得出不同的谜底。这叫作念"违犯置换不变性"。

其二，正则抒发式自己有着树状的嵌套结构，就像一棵有好多分叉的树。而序列模子把这棵树"拍扁"成一条线，使得模子难以把捏树枝与树干之间的深层关系。当这棵"树"又高又复杂时，模子就愈加力不从心了。

除了模子架构的问题，还有一个更根柢的难点。在确切的正则抒发式中，大都用到了"或者"结构，也便是"这段翰墨要么匹配A，要么匹配B，要么匹配C"。已有的一些分治方法（把大问题分红小问题来解决）存在一个稚子的假定：它们合计最外层的结构一定是"拼接"（Concatenation），也便是"先匹配A，再紧随着匹配B"。这个假定在精真金不怕火场景下持续缔造，但面临现实中大都顶层便是"或者"结构的正则抒发式时，就统统失效了。而且，这类方法即便能作念"拼接"式的分割，也只作念一层，不会递归地赓续分割更深层的子问题，导致碰到深度嵌套的结构时仍然窝囊为力。

正因如斯，照管团队假想了RESYN框架——一个既能处理"拼接"也能处理"或者"，还能一层层递归深切的通用框架。

---

二、让AI学会"拼图"：RESYN框架的三层结构

RESYN的核心念念想，不错用拼图来相识。假定你面前有一幅复杂的拼图（对应一个复杂的正则抒发式合成任务）。硬要一次性把悉数碎屑拼成完整的画面太难了，但若是能先把碎屑按照样子或区域分组，然后一组一组地拼，终末再把各组拼好的小块合在一皆，就容易多了。

RESYN恰是这么职责的：先判断面前这一堆拼图碎屑应该如何分组，然后分组处理，再递归地对每一组里面赓续拼，直到每一块小拼图小到AI不错平直处理为止，终末把悉数小截止从底层进取组合成最终谜底。

悉数这个词框架由三个相互相助的部分组成，分别处理数据、模子和算法三个层面的问题。

第一个部分是"正则抒发式标准化器"（Regex Canonicalizer）。现实宇宙里，不同的东说念主写出来的正则抒发式格调互异，即使态状的是归并个模式，写法也可能大相径庭——就像不同东说念主拼写归并个英语单词的方式可能不同。这种万般性会给AI的学习带来杂音。标准化器的职责便是把各式写法和洽成一种圭臬步地，就像在AI学习之前先把悉数材料的款式和洽好，提高学习遵循。

标准化的具体操作包括：过滤偷换含回溯援用（backreference）或前瞻断言（lookahead）等超出正则说话范畴特质的抒发式；对抽象语法树（AST，不错相识为抒发式的树状骨架）进行优化，比如把单字符类合并成字符集、捣毁裕如的重复瑰丽、提真金不怕火大家前缀等；对长度越过2个字符的字面量进行匿名化处理（用特殊占位符替代），迫使模子学习结构限定而非死记字面内容；以及将AST序列化回字符串时，按照运算符优先级规矩精简括号、遴荐最紧凑的量词写法等。

这套标准化经过确保教诲数据的一致性，是悉数这个词框架质地的基础。

第二个部分是SET2REGEX，这是框架的"基础合成器"，也便是处理说明后每一块小拼图的阿谁AI。它解决的恰是前边提到的"违犯置换不变性"问题。

SET2REGEX遴选了一种叫作念"档次化集中编码器"（Hierarchical Set Encoder）的结构，分两个阶段处理输入。第一阶段是字符级别的编码：对每一个示例字符串，用一个字符级别的Transformer集聚（Transformer是当今大多数说话AI的核心时候）"读取"它的内容，然后通过一种叫"多头在意力池化"（PMA）的操作，把悉数这个词字符串压缩成一个固定大小的向量暗示，就像给每条字符串画了一幅"画像"。

第二阶段是字符串级别的编码：把悉数字符串的"画像"汇集起来，再用另一个Transformer集聚处理这批画像，但此次不使用位置编码（恰是位置编码才会让模子在乎要领），而是用"类型镶嵌"来辨认正例和负例。这么，无论你把正例按什么要领喂给模子，它看到的信息量都是疏通的——置换不变性由此得到保证。

这批字符串画像随后再次通过PMA池化，汇聚成一个代表悉数这个词输入集中的"全局高下文向量"。终末，解码器生成正则抒发式时，先通过一个在意力层关爱这个全局高下文，掌捏举座趋势，再通过另一个在意力层关爱每条字符串的精细特征，处理局部细节。这种"先看全局、再看局部"的双层解码机制，使得SET2REGEX只用1000万个参数，就能达到以至特等领有3亿个参数的对标模子（PRAX，基于ByT5架构）的遵循，参数目整整收缩了30倍。

第三个部分是RESYN的核默算法——递归分治框架，由三个可学习的神经模块共同运转：ROUTER（路由器）、PARTITIONER（分组器）和SEGMENTER（分割器）。

ROUTER是悉数这个词系统的"决策核心"。它追究判断面前这批正例字符串应该如何处理：是平直交给SET2REGEX合成，照旧先作念某种说明。ROUTER的输出是三个选项之一：平直合成（Synthesize）、按"或者"分组（Partition）、按"拼接"分割（Segment）。教诲时，ROUTER的圭臬谜底来自主义正则抒发式语法树的顶层操作符——若是顶层是Union，就标记为Partition；若是是Concat，就标记为Segment；其他情况就标记为Synthesize。

SEGMENTER追究处理"拼接"类的说明，也便是把每条字符串按照逻辑上的分段切成若干部分。比如，面临一批电子邮件地址的例子，它会发现悉数字符串都不错切成"用户名"、"@"瑰丽和"域名"三段，然后把这三段分别行为零丁的子问题递归处理。SEGMENTER遴选圭臬的Transformer编码器-解码器架构，一次性招揽悉数正例字符串（用分隔符连续成一整段），在全局视线下预计每个字符属于哪个分段，幸免了之前一些方法逐条处理字符串时产生的不一致问题。

PARTITIONER追究处理"或者"类的说明，也便是把字符串集中按摄影似的结构模式分红若干子集。比如，面临一批包含"纯字母用户名"和"字母加数字用户名"的例子，它会判断这两类应该分红两组，分别合成子抒发式，终末用"或者"连续。PARTITIONER用指针集聚格调的解码器，以自追思方式逐条预计每个字符串属于哪个组，复旧动态笃定分组数目。

算法还包含若干退缩过度说明的机制：不允许一语气两次使用归并种说明战略（退缩无尽递归地切归并种方式）；若是PARTITIONER把每个字符串都分红了单唯一组（等于没分），就平直调用基础合成器；若是基础合成器也失败了，就调用一套备用的"常见模式库"（按优先级从数字、小写字母等具体类别到随心字符的通配符挨次尝试），保证最终总有一个谜底不错回传，不让整棵递归树因为一派叶子失败而全盘崩溃。

---

三、"最优拼法"为何无药可解——NP贵重性的解说

照管团队不仅假想了这套系统，还从表面上解释了为什么要用神经集聚来学习说明战略，而不是假想一个更机灵的笃定性算法来平直找到最优说明方式。

他们通过数学解说，找到最优说明方式这件事自己便是一个NP贵重问题。精真金不怕火来说，NP贵重意味着：随着问题规模的增大，任何已知的笃定性算法所需的时候都会以指数级增长，最终变得无法给与。

解说的简陋逻辑是这么的：照管团队最初界说了"抒发式代价"，也便是正则抒发式里除操作符除外的瑰丽数目，代价越小越精辟。然后他们解说，找最小代价正则抒发式这个问题，等价于找多个字符串的"最优对皆"问题（把字符串对皆，找出最短的大家框架）。而这个最优对皆问题，又等价于表面计较机科学里闻明的"最短大家超序列"（Shortest Common Supersequence，SCS）问题——这个问题早在1981年就被解说是NP统统的。三者之间的等价关系经过严格的步地化解说开导起来，最终推导出：判断一组字符串能否被一个代价不越过某个阈值的正则抒发式粉饰，是NP统统问题。

这个结文告明，不存在能在多项式时候内（也便是"合理时候"内）找到最优说明的通用算法，除非P=NP这个数学界于今未解的猜想缔造。因此，用神经集聚来"类似学习"说明战略，在多项式时候内给出接近最优的谜底，是面前时候要求下切实可行的门路。

---

四、用三个确切测试集锤真金不怕火遵循：数字背后的故事

照管团队在三个基准数据集上评估了RESYN，这三个数据集的难度挨次递加：StructuredRegex（334个实例，合成生成）、Snort（352个实例，来自集聚入侵检测规矩集）和RegExLib（1752个实例，来自确切的在线正则抒发式库）。

评估假想也假想得相称全面。合成顺利率（Synthesis Success Rate）忖度AI生成的正则抒发式能否正确分类悉数教诲示例；精辟度比率（Conciseness Ratio）用生成抒发式的长度除以圭臬谜底的长度，比率越接近1暗示AI生成的截止越精辟（若是AI仅仅把悉数正例用"或者"列举出来，这个比率就会相称大，证明它莫得实在学到限定）；语义准确率（Semantic Accuracy）在一个"保留测试集"上测试，要求生成的抒发式在它没见过的额外示例上也阐扬正确；马修斯相关悉数（MCC）则是一个详细忖度分类质地的假想，范围从-1到1，数值越高越好。

关于单独的PRAX模子（未加RESYN框架），RegExLib的顺利率唯有42.24%。加上FOREST（一种启发式大家子串方法）后擢升到49.94%，但FOREST自己不作念递归，瓶颈依然存在。加上RESYN后，PRAX的RegExLib顺利坦爽接跳到67.29%，擢升了约25个百分点。

SET2REGEX单独使用时，RegExLib顺利率为38.93%，低于PRAX（这相宜预期，因为SET2REGEX唯有PRAX的三十分之一参数目）。但SET2REGEX加上RESYN后，顺利率擢升到68.26%，不仅大幅越过了PRAX单独的42.24%，还以极小的参数代价达到了与PRAX+RESYN相称的水平。语义准确率也达到41.61%，MCC分数达到58.97。

另一个对比对象是gpt-oss-120b，一个参数目约为1200亿的大规模推理模子。在RegExLib上，它的顺利率达到67.29%，MCC以至达到59.06，略高于SET2REGEX+RESYN的58.97。但这是一个有着约4000倍参数目上风的硕大无比，而且需要消费大都推理计较资源。

照管团队还额外对比了最新发布的GPT-5（一个更强劲的通用大模子）。通过遴选束搜索（beam search，一种生成多个候选谜底并择优的战略，候选数k=500）而非默许的贪念解码，SET2REGEX+RESYN在StructuredRegex上以100.00%的顺利率统统特等GPT-5（96.71%），在Snort上以90.62%优于GPT-5的85.23%，在RegExLib上天然顺利率（85.33%）低于GPT-5（90.07%），但语义准确率（50.29%）高于GPT-5（48.86%）。这证明RESYN生成的抒发式在结构上更接近实在的主义模式，而不仅仅拼凑着能分类面前的示例。

从深度分层分析来看，数据更能证明递归方法的价值。关于语法树深度为1到3的浅层正则抒发式，FOREST和SPLITREGEX等非递归方法阐扬与RESYN收支未几，顺利率都在80%高下。但深度达到4及以上时，非递归方法的顺利率急剧着落，到深度5以上时仍是接近30%以至更低，而RESYN在深度5和6+的情况下仍能保管相对闲逸的阐扬，充分考证了递归说明战略对付复杂嵌套结构的必要性。

---

五、消融实验：每个模块各自孝顺了什么

为了搞露馅RESYN的每个组件究竟孝顺了若干，照管团队作念了一系列"拆件测试"，在RegExLib上比较五种不同确立的阐扬。

完整的RESYN（含可学习ROUTER，复旧递归）MCC为58.97，顺利率68.26%。去掉ROUTER换成固定轮流战略（也复旧递归）后，顺利率反而升到73.63%，但MCC急剧下降到49.34，比RESYN低了快要10分。这个反差揭示了一个机密的道理：固定战略因为更激进地说明问题，把好多实例切成很小的子问题，每个子问题都很容易解决，是以顺利率更高——但这么作念履行上是过度说明，子抒发式天然各自"正确"，拼起来的举座却失去了结构合感性，语义质地（用MCC忖度）大幅下降。可学习的ROUTER懂得何时该拆、何时无用拆，在顺利率和语义质地之间获取了更好的均衡。

只用SEGMENTER（等同于SPLITREGEX方法，无递归，只作念拼接分割）的顺利率为65.30%，MCC为58.81。只用PARTITIONER（无递归，只作念分组）顺利率唯有40.87%，MCC为37.44。这两组数据告诉咱们，在大多数情况下，拼接照实是主要的顶层结构，是以只作念拼接分割的方法能粉饰更多案例；但关于实在有"或者"结构的案例，弗成处理分组就会遗漏。完整的RESYN在顺利率和MCC上都优于仅用SEGMENTER的决策，尽管差距细微，但这个边缘擢升的背后，是对"或者"结构在语义上正确暗示的确切改善。

论文中举了一个具体例子来证明这少许。主义正则抒发式是 `d{1,2}|d{1,2},d{1,3}|x7f`，这是一个顶层就有三个"或者"分支的抒发式。RESYN给出的谜底是 `[2-9]d?|[1-8]d,d{1,3}|x7f`，结构正确，仅仅在数字范围上有细微的过度拘谨，MCC为81.65。而只用SEGMENTER的谜底是 `d?d?[,x7f]?(d{3})?`，它把三个"或者"分支强行拼成了一个拼接结构，看起来更"紧凑"，MCC反而达到90.45——但这是因为用于评估的负例是通过剪辑距离生成的，辛勤实在挑战这种伪善结构的边缘案例，导致伪善的结构也能蒙混过关。RESYN生成的结构才是实在正确的，仅仅现存评估体系的不完善让这个差距在数字上显得很小。

照管团队在论断部分也坦诚指出了这个局限性：面前的负例生成战略基于当场剪辑操作（插入、删除、替换），无法粉饰与特定伪善结构相关的语义边缘案例。将来的翻新标的是引入"语义硬负例挖掘"（semantic hard-negative mining），针对模子容易犯的结构性伪善，主动生成更有辨认力的负例，使评估假想能更确切地响应结构正确性。

---

六、一个生动的案例：RESYN如何"识破"字母限定

论文中还用一个具体案例展示了RESYN处理"拼接中含有或者"结构时的上风。主义正则抒发式是 `(I{2,10}|V{2,10})[A-Z]{3,4}`，酷爱是"2到10个I或者2到10个V，后头跟3到4个大写字母"。

RESYN的处理过程是：先用SEGMENTER把问题分红前缀和后缀两段，发现后缀是和洽的大写字母模式（`[A-Z]{3,4}`），容易处理。前缀这批字符串则包含了"I发轫的"和"V发轫的"两种，ROUTER判断前缀部分应该再次用Partition分组，于是PARTITIONER把以I打头的例子和以V打头的例子分红两组，分别合成 `I{2,10}` 和 `V{2,10}`，然后用"或者"连续成 `(I{2,10}|V{2,10})`，最终拼接后缀，得到与主义统和洽致的谜底。

比较之下，gpt-oss-120b给出的谜底是 `(V{2,}[A-Z]*V?|I{2,}[A-Z]*I?)`，它把前后缀混在了一皆，结构糊成一团，不仅冗长，还因为末尾的 `V?` 和 `I?` 带来了裕如的匹配空间，是典型的过拟合到具体例子、未能提真金不怕火出干净限定的截止。

---

说到底，RESYN这套系统作念的事情，和东说念主类在解决复杂问题时的直观是重复的：碰到复杂的东西，先想想能弗成切开分别处理；切开后的小问题若是照旧复杂，就再切；直到每个小问题小到能平直处置为止，然后再把截止拼回来。

这套"分而治之"的念念路在算法宇宙里历史悠久，RESYN的孝顺在于用可学习的神经集聚替代了原本僵硬的规矩，让"何时切、如何切"这两个关节决策变得智能而生动。与此同期，表面上解说最优切法是NP贵重的，也为这种"学习类似"的门路提供了坚实的表面依据——不是因为懒得假想完好算法，而是完好算法在数学道理上就不存在。

对粗鄙用户来说，RESYN的道理在于：将来你有可能平直告诉软件"我需要匹配悉数长这么式的字符串"，给几个例子，系统就能自动帮你生成可靠的搜索规矩，不再需要手动调试那些看起来像天书的瑰丽组合。关于文本处理、数据清洗、安全规矩确立等领域，这意味着一大类繁琐的专科职责有望被大大简化。

有兴味深切了解时候细节的读者，不错通过编号arXiv:2603.24624在arXiv平台找到完整论文，照管团队也已将代码、数据集和预教诲模子权重公开在GitHub上（mrseongminkim/ReSyn），不错平直下载使用。

---

Q&A

Q1：正则抒发式合成的"示例编程"方法和平直让GPT写正则抒发式有什么区别？

A：示例编程是给AI几个"应该匹配"和"不该匹配"的字符串，让它自动推断规矩，不需要用天然说话态状需求。GPT等大模子则需要用户用翰墨说露馅需求，然青年景代码。前者更自动化、不依赖说话抒发才气，但对AI的结构相识要求更高。RESYN属于前者，何况解说在结构正确性上优于GPT类方法。

Q2：RESYN框架能用在正则抒发式之外的法子合成任务上吗？

A：照管团队在论文论断中明确指出，这套递归分治框架的念念路具有通用性，表面上不错实践到任何主义法子具有递归嵌套结构的合成任务，比如XML或JSON款式规矩的推断、某些类型的逻辑公式合成等。不外当今的具体已毕和实验仍限于正则抒发式领域，进一步的实践需要后续照管。

Q3：SET2REGEX唯有1000万参数，为什么能和3亿参数的模子比较？

A：核心在于结构假想与任务的匹配进程。传统Seq2Seq模子（如PRAX）需要用大都参数去"学会忽略"输入要领带来的干涉开yun体育网，浪掷了大都容量在无道理的摆设信息上。SET2REGEX从假想上就保证了置换不变性，不需要用参数去校阅要领偏差，因此同等参数下能更高效地学习实在灵验的结构限定。这证明架构与问题特质的契合度，有时比单纯堆叠参数目更遑急。