Авторы представляют Stellar Colosseum, модель-агностическую платформу, предназначенную для распределения вывода при проведении долгосрочных исследований в области математики и теоретической информатики. Система исследует альтернативные стратегии до начала построения доказательства, использует вентиль готовности для определения момента, когда маршрут достаточно зрел для декомпозиции, и представляет план доказательства как взаимосвязанные подзадачи на уровне разделов.
Colosseum генерирует кандидаты параллельно, атакует их с помощью целенаправленной фальсификации и объединяет результаты через агрегацию дерева случайных выборок с перекрытием. Интегрированная в фреймворк Teamwork от Google Antigravity как паттерн Long Proof, она достигла точности 71.0% на TCS-Bench с использованием Gemini 3.1 Pro и Gemini 3.7 Flash. Кроме того, конвейер, ориентированный на доказательство, с обратной связью от выполнения решил 218 из 222 задач в оценке Codeforces.
Фреймворк решает проблему ненадежности языковых моделей при решении долгосрочных исследовательских задач за счет управления последовательностями неопределенных и взаимосвязанных решений.