让智能体做数学和理论计算机科学（TCS）研究，难点从来不在「单步推理」，而在长程逻辑的一致性。短证明模型能写得有模有样，可一旦任务需要多轮探索、构造证明、再持续修正，错误就会沿几十步悄悄累积，最后整个论证塌掉。Google DeepMind 新发的 Stellar Colosseum，想用一套结构化框架对付这个老问题。
它把研究流程拆成了什么
Stellar Colosseum 被作者称为「模型无关」（model-agnostic）的多智能体框架——不绑定某个特定模型，而是提供一套可复用的研究工作流。它把长程科研显式拆成几个阶段：策略探索（并行试多条证明路线）、成熟度闸门（readiness gate，判断一条路线是否足够具体、可以进入构造）、分段证明（把整体拆成互相依赖的子问题，独立的可以并行）、定向反证（对每个候选做针对性挑错）、以及全局验证（组装后整体校验，不通过就回到对应分支修正）。
论文报告，在使用 Gemini 3.1 Pro 与 Gemini 3.7 Flash 时，系统在 TCS-Bench 这类研究级定理证明任务上达到 71.0% 准确率；在另一组带执行反馈的 Codeforces 评测里，证明导向的流程解决了 222 题中的 218 题。作者还称得到若干针对既有论文开放问题的新结果。
真正有价值的不是「多开智能体」
这个框架最值得咀嚼的地方，不是用了多少智能体，而是它怎么处理「长任务为什么会崩」。短题错一步，答案立刻暴露；长研究的某个中间结论，可能几十步之后才被用到。如果只在最后让多个智能体投票，一个共享的错误假设会被包装得更一致，却并不会消失。
增量认知：Stellar Colosseum 的核心贡献是「把谁依赖谁显式化」。验证器指出某个引理缺条件时，系统只重做相关分支，而不是用更长的自然语言去掩盖问题。这和多智能体软件开发的启示同源——必须有依赖图、测试和失败定位，而不是指望更多智能体投票。
要带上的两道边界
读这类结果必须带着口径意识：71.0% 是论文方在所选模型和预算下的报告值，尚不能替代同行评审、形式化证明或社区复现；基准用的模型、提示和预算会显著影响数字，它不代表框架在所有模型上都有这个水平。更公允的判断是——Stellar Colosseum 的价值不在「又刷了一个高分」，而在于它示范了一种更可检查的智能体长程研究范式：路线多样性、何时停探索、验证器是否独立、错误能否回流，这些才是下一阶段真正起作用的变量，而智能体数量只是成本参数。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。