Stellar Colosseum：多 Agent Harness 驱动数学猜想证明 · 干货攻略

  • 链接: https://x.com/omarsar0/status/2099924717704732699
  • 分类: x-tips
  • 来源: X @omarsar0
  • 作者: Jay
  • 更新: 2026-09-21
  • 论文: https://arxiv.org/abs/2609.15983

这是什么

Stellar Colosseum 是 Google Research 推出的一种多 Agent 协作 Harness 系统，用于在数学与理论计算机科学领域执行长程研究任务（long-horizon research）。由 Honghao Lin、David P. Woodruff（co-first authors）、Yuan Deng、Jieming Mao、Song Zuo、Vahab Mirrokni 等人提出，2026 年 9 月 15 日发布于 arXiv（arXiv:2609.15983 v2）。

它解决的核心问题是：大语言模型可以产出看起来合理的小规模证明，但在需要多轮探索、相互依赖决策的长程研究问题上靠不住。一个早期的错误假设可能污染后续所有步骤，导致整个证明方向失败。

Colosseum 已集成进 Google Antigravity 的 Teamwork 框架，作为 "Long Proof"模式对外提供。

为什么值得关注

谁分享的，解决什么问题

@omarsar0（omars）策展的这篇干货指出：Google 用这套方法在 FOCS 和 JMLR 顶会论文的公开问题上拿到了新结果，是目前见过的最接近"AI 自主证明数学猜想"的工程实践。

核心洞察是：不要让一个模型从一开始就写完整证明。传统 single-turn 方式的问题是，一旦整体策略选错，详细证明投入全部白费。Colosseum 把"找方向"和"写证明"严格分离——先探索多种策略路径，等 readiness gate 判断某路径足够成熟了，再分解成 section-level 子问题并行攻克。

分阶段 vs 立即分解：关键区别

原帖提到的"分阶段探索策略优于立即分解子问题"，在官方论文 Abstract 中有直接对应：

"Colosseum explores alternative strategies before proof construction, uses a readiness gate to decide when a route is mature enough to decompose..."

这条设计原则非常关键：不是一开始就把问题树状分解成子问题，而是先做策略层探索，让多个候选策略并行被"攻击"（falsification），用验证器反馈来决定什么时候可以安全地往下推进。

核验过程

官方来源

来源 关键内容
arXiv:2609.15983 官方摘要；71.0% TCS-Bench 准确率；218/222 Codeforces；FOCS/JMLR 新结果；两层面架构描述
arXiv HTML v2 详细 Introduction；Figure 1 架构图；workflow-level 和 stage-level 两层设计；readiness gate 机制；random-sample tree aggregation
LinkedIn - Vahab Mirrokni（合作作者，Google Research） Codeforces 分数 4263 vs 人类最高 4039；Knuth's Conjecture 简化构造证明；6 篇论文产出；已集成进 Antigravity /teamwork
alphaXiv 论文页 作者团队构成（Google Research + CMU）；核心机制概述

交叉验证结论

✅ 71.0% TCS-Bench 准确率 — arXiv Abstract、LinkedIn 联合作者帖、alphaXiv 均一致，无冲突。TCS-Bench 是 Google 同期发布的基准测试，从 FOCS/STOC/SODA 论文中提取研究级定理证明任务。

✅ 218/222 Codeforces 问题 — arXiv Abstract 与 LinkedIn 补充了 Codeforces 分数 4263（人类历史最高 4039），两个数字来自同一评测但表述维度不同，无冲突。

✅ FOCS/JMLR 公开问题新结果 — arXiv Abstract、LinkedIn 联合作者均确认。LinkedIn 额外披露了具体案例：Knuth's Conjecture 简化构造，以及另外 6 篇产出的论文，均经作者验证或通过 Lean 证明助手验证。

✅ Readiness gate 机制 — arXiv HTML v2 Introduction 详细描述，与原帖主张完全一致。

✅ Google Antigravity 集成 — LinkedIn 联合作者、Vahab Mirrokni 本人明确表述，与原帖一致。

✅ 两层架构 — "workflow-level"（策略探索→成熟度判断→分解→并行子问题→全局验证）和 "stage-level"（并行候选生成→定向 falsification→tree aggregation）在 arXiv HTML v2 中有完整描述，原帖未提及此细节，是官方额外披露的重要工程信息。

存疑点

原帖提及"分阶段探索策略优于立即分解子问题"——论文中确实描述了 readiness gate 机制驱动延迟分解，但论文本身未报告两种策略（立即分解 vs 延迟分解）的对照实验数据。原文主张存在性能差距，但无具体对比数字支撑，这一说法应标注为"原帖主张，论文正文未附对照实验数据"。

上手步骤

Colosseum 目前已集成进 Google Antigravity 的 /teamwork-preview 功能。如果你想在自己的项目中复刻类似思想，可以按以下层次理解其工作流：

层级一：Workflow-Level（工作流层）

策略探索 (Strategy Exploration)
    ↓ readiness gate（等待路径成熟）
证明分解 (Proof Decomposition)
    ↓ interdependent section-level subproblems
子问题并行求解 (Parallel Subproblem Solving)
    ↓
全局验证 (Global Verification)
    ↓ 若失败：定向修复 or 重新探索

核心原则：策略探索与证明写作严格分离。系统先生成多个策略候选（strategy candidates），每个候选被 falsifier（攻击者）定向找弱点。只有通过 readiness gate 判断"这条路足够成熟"之后，才把它分解成 section-level 子问题。

层级二：Stage-Level（阶段层）

每个 Stage 内部包含：

  1. 并行候选生成（Parallel Candidate Generation）：多个模型实例同时生成候选方案
  2. 定向攻击（Falsification）：每个候选配一个专门的攻击者，负责找它的漏洞
  3. Tree Aggregation（随机样本树聚合）：从候选和它们的 critiques 中通过随机采样子集的方式合成最终方案

官方原话（arXiv HTML v2）：

"Synthesis nodes aggregate random subsets of candidates and their associated critiques, and each is paired with a falsifier."

在 Antigravity 中使用（已发布功能）

根据 LinkedIn 联合作者 Vahab Mirrokni 的公告，Colosseum 已作为 /teamwork-preview 功能的一部分在 Antigravity 平台上线，支持自主提出、相互批评、综合彼此工作的多 Agent 协作模式。

如需自建简化版，可参考关键组件： - 共享 Research State：策略提案、partial proofs、验证结果统一管理 - Readiness Gate：判断路径成熟度的 LLM 或规则引擎 - Falsifier Agent：专门负责攻击候选策略的攻击型 Agent - Section-level Dependency Graph：将证明计划表示为相互依赖的节级子问题

坑与适用边界

适用场景

  • 数学猜想证明、定理验证
  • 理论计算机科学问题（FOCS/STOC/SODA 级别）
  • 需要多轮探索、相互依赖决策的开放式研究任务
  • 有 Lean 等形式化验证工具配合的证明工作流

不适用或有限制的场景

  • 短答案问题（single-turn math）：Colosseum 的阶段化开销在简单问题上是浪费，标准 CoT / Few-shot 已足够
  • 没有形式化验证工具配合时：多 Agent 协作产生的证明若无 Lean 之类的checker，错误难以被自动发现
  • 资源受限环境：多 Agent 并行 + 迭代 falsification + tree aggregation 的推理成本远高于单次调用
  • 模型无关性是双刃剑：官方称"model-agnostic"，但实际上对 Gemini 3.1 Pro/Flash 调优充分，换用其他模型系列可能需要重新调 readiness gate 阈值

关键工程风险

  • Readiness Gate 的阈值设置：论文未公开具体的成熟度判断 prompt 或参数，是工程落地的黑盒部分
  • Tree Aggregation 的采样策略：随机采样子集的方式意味着结果有方差，高风险证明任务可能需要多次运行取最优
  • 策略探索阶段的计算成本：在证明之前需要多轮策略候选生成，实际成本可能是最终证明生成的数倍

一句话结论

Stellar Colosseum 的核心价值在于用 readiness gate 把"策略探索"和"证明写作"严格分离，配合多 Agent 并行 falsification 与 tree aggregation，在 Gemini 3.1 Pro 上实现了 71% TCS-Bench 研究级定理证明率和 Codeforces 4263 分，已集成进 Google Antigravity 作为生产可用的 "Long Proof" 模式——这代表多 Agent Harness 在数学研究自动化方向上的最新前沿。