Авторы представляют Stellar Colosseum, модель-независимый фреймворк, предназначенный для распределения вывода на долгосрочные исследовательские задачи в области математики и теоретической информатики. Система исследует альтернативные стратегии до построения доказательства, использует вентиль готовности для определения момента декомпозиции маршрутов и представляет планы доказательств как взаимосвязанные подзадачи.
Colosseum генерирует кандидаты параллельно, атакует их целенаправленной фальсификацией и объединяет результаты через агрегацию деревьев случайных выборок с перекрытием. Этот рабочий процесс интегрирован в фреймворк Teamwork от Google Antigravity как паттерн Long Proof. Оценки на TCS-Bench показывают точность 71,0% при использовании Gemini 3.1 Pro и Gemini 3.7 Flash. Кроме того, конвейер, ориентированный на доказательства, с обратной связью от выполнения решил 218 из 222 задач Codeforces.
Фреймворк решает проблему ненадежности языковых моделей в сложных исследовательских задачах путем управления последовательностями неопределенных решений через структурированную верификацию и агрегацию.