O Stellar Colosseum é um harness agnóstico a modelos projetado para distribuir a inferência em pesquisas de longo prazo em matemática e ciência da computação teórica, abordando a falta de confiabilidade dos modelos de linguagem em problemas complexos. O sistema explora estratégias alternativas antes da construção da prova, utiliza um gate de prontidão para determinar quando uma rota está madura o suficiente para decomposição e representa o plano da prova como subproblemas interdependentes ao nível das seções.

  • O Colosseum gera candidatos em paralelo, ataca-os com falsificação direcionada e combina os resultados por meio de agregação de árvores de amostragem aleatória sobrepostas.
  • O fluxo de trabalho é integrado ao framework Teamwork do Google Antigravity como o padrão Long Proof.
  • No TCS-Bench, um benchmark de tarefas de prova de teoremas em nível de pesquisa oriundas de artigos das conferências FOCS, STOC e SODA, o Colosseum alcança 71,0% de precisão usando Gemini 3.1 Pro e Gemini 3.7 Flash.
  • Em uma avaliação do Codeforces com Gemini 3.1 Pro, o pipeline orientado a provas com feedback de execução resolve 218 dos 222 problemas.

Os autores demonstram que essa abordagem aborda problemas em aberto de principais conferências como FOCS e JMLR por meio de pesquisa aberta e avaliações em benchmarks.