Los autores presentan Stellar Colosseum, un arnés agnóstico al modelo diseñado para distribuir la inferencia en investigaciones a largo plazo en matemáticas y ciencias de la computación teórica. El sistema explora estrategias alternativas antes de la construcción de pruebas, utiliza un filtro de preparación para determinar cuándo una ruta está lo suficientemente madura para su descomposición y representa el plan de prueba como subproblemas interdependientes a nivel de sección.
Colosseum genera candidatos en paralelo, los ataca con falsificación dirigida y combina resultados mediante agregación de árboles de muestreo aleatorio superpuestos. Integrado en el framework Teamwork de Google Antigravity como el patrón Long Proof, alcanzó una precisión del 71.0% en TCS-Bench utilizando Gemini 3.1 Pro y Gemini 3.7 Flash. Además, un pipeline orientado a pruebas con retroalimentación de ejecución resolvió 218 de los 222 problemas en una evaluación de Codeforces.
El framework aborda la falta de fiabilidad de los modelos de lenguaje en problemas de investigación a largo plazo mediante la gestión de secuencias de decisiones inciertas e interdependientes.