知识卡片：Stellar Colosseum：面向数学与理论计算机科学长时域研究的多智能体编排框架

一句话结论

Stellar Colosseum 是一个模型无关的多智能体 harness，用于在数学与理论计算机科学中分配推理、组织长时域研究流程；来源材料称其在 TCS-Bench 上达到 71.0% accuracy，并在 Codeforces 评估中用 Gemini 3.1 Pro 解出 218/222 题。

事件概述或研究问题

语言模型可以生成看似合理的短证明，但在长时域研究问题上可能仍不可靠，因为进展依赖一连串不确定且相互依赖的决策。论文提出 Stellar Colosseum，研究如何把推理分配到数学和理论计算机科学研究中，并通过开放式研究、定理证明与竞赛编程基准展示能力。

材料称，使用 Colosseum 与 Gemini 3.1 Pro 获得若干新结果，针对 FOCS、JMLR 等顶会/期刊论文提出的开放问题。具体开放问题、证明细节、验证状态与同行评审情况待核实。

方法/产品要点

• 模型无关 harness，面向数学与理论计算机科学研究分配 inference。
• 在证明构造前探索 alternative strategies。
• 使用 readiness gate 判断某条路线是否成熟到可分解。
• 将证明计划表示为相互依赖的 section-level subproblems。
• 将 verifier findings 路由回论证中受影响的部分。
• 各阶段并行生成候选，进行 targeted falsification，并通过 overlapping random-sample tree aggregation 将候选及其 critiques 合并为单一 research artifact。
• Colosseum workflow 已集成到 Google Antigravity's Teamwork framework，作为 Long Proof pattern。

主要结果或产业意义

• 使用 Colosseum 与 Gemini 3.1 Pro：材料称取得若干新结果，解决 FOCS、JMLR 等顶会/期刊论文中的开放问题。
• TCS-Bench：从 FOCS、STOC、SODA 论文中抽取的研究级定理证明任务；使用 Gemini 3.1 Pro 和 Gemini 3.7 Flash 达到 71.0% accuracy。
• Codeforces 评估：使用 Gemini 3.1 Pro，带执行反馈的 proof-oriented pipeline 解出 218/222 题。
• 产业意义：模型无关编排与 Google Antigravity Teamwork/Long Proof pattern 的集成，提示长程证明与研究流程可能被产品化；实际部署范围、开放可用性与复现细节待核实。

为什么重要

与已有“格罗滕迪克常数上的长程AI研究”卡片相比，本条增量不在于重复某个具体数学常数结果，而在于提供模型无关的 many-agent harness、研究级定理证明基准 TCS-Bench 上的指标、Codeforces 结果，以及进入 Google Antigravity Teamwork/Long Proof pattern 的产业集成线索。它把长时域 AI 数学研究从单点案例推进到可复用编排与评估框架层面；具体新结果是否与既有案例相关，待核实。

局限与不确定性

• 待核实：完整论文、基线、消融、统计显著性、推理成本、延迟与安全性评估。
• 待核实：TCS-Bench 的任务数量、标注方式、防污染设计与评估协议。
• 待核实：Codeforces 评估的题目选择、运行环境、执行反馈细节与是否接近正式比赛条件。
• 待核实：所谓“新结果”的具体定理、证明正确性、专家验证或同行评审状态。
• 待核实：Google Antigravity Teamwork/Long Proof pattern 的可访问性、产品状态与集成细节。
• 待核实：arXiv 元数据、发布日期与实际页面状态；模型版本名称与可用性以来源为准。

可用于图书/PPT/简报的角度

• 从“短证明生成”到“长时域研究编排”的范式转变。
• 多智能体推理编排组件：策略探索、readiness gate、依赖子问题、验证回传、靶向证伪、树聚合。
• 研究级基准 TCS-Bench 与竞赛编程 Codeforces 的组合评测。
• 从学术 harness 到 Google Antigravity Teamwork/Long Proof pattern 的产业迁移。
• 人机协作科学中的验证瓶颈、信任机制与可复现性问题。
• 长时域 AI 研究的风险叙事：幻觉证明、评估污染、成本、延迟与责任归属。

原始材料

• 英文标题：Stellar Colosseum: A Many-Agent Harness for Long-Horizon Research in Mathematics and Theoretical Computer Science
• 英文关键词：many-agent harness; long-horizon research; mathematics; theoretical computer science; theorem proving; competitive programming; TCS-Bench; Google Antigravity; Long Proof pattern; Gemini 3.1 Pro; Gemini 3.7 Flash; foundation-model
• 原始来源：https://arxiv.org/abs/2609.15983v1
• PDF：https://arxiv.org/pdf/2609.15983v1
• arXiv ID：2609.15983v1
• Authors：Honghao Lin, David P. Woodruff, Yuan Deng, Jieming Mao, Song Zuo, Vahab Mirrokni
• Published / Updated：2026-09-14T17:58:55Z
• Primary category：cs.AI
• Categories：cs.AI, cs.CL, cs.LG
• Track / Topics：academic / foundation-model