Stellar Colosseum — это модель-агностический фреймворк, предназначенный для распределения вывода при проведении долгосрочных исследований в области математики и теоретической информатики, что позволяет решить проблему ненадежности языковых моделей при работе со сложными задачами. 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 набор взаимосвязанных подзадач на уровне разделов.
- Colosseum генерирует кандидаты параллельно, атакует их с помощью целевой фальсификации и объединяет результаты через агрегацию деревьев случайных выборок с перекрытием.
- Рабочий процесс интегрирован в фреймворк Teamwork от Google Antigravity в качестве паттерна Long Proof.
- На TCS-Bench, бенчмарке исследовательских задач по доказательству теорем из статей конференций FOCS, STOC и SODA, Colosseum достигает точности 71.0% с использованием Gemini 3.1 Pro и Gemini 3.7 Flash.
- В оценке Codeforces с Gemini 3.1 Pro конвейер, ориентированный на доказательства и включающий обратную связь от выполнения, решает 218 из 222 задач.
Авторы демонстрируют, что данный подход позволяет решать открытые проблемы на ведущих площадках, таких как FOCS и JMLR, посредством открытых исследований и оценки на бенчмарках.