Stellar Colosseum、長大な証明をエージェント競争に分解――TCS‑Benchでクロスモデル選択により71%を達成

Google Researchとカーネギーメロン大学の研究者は9月14日、[Stellar Colosseumの論文](https://arxiv.org/abs/2609.15983)を公開し、長期的な数学研究において「初期の戦略上の誤りが後続の証明全体を汚染する」という問題の解決を試みた。単にサンプリング回数を増やすのではなく、まず複数の解法戦略を並列に提案し、各候補に対して反例、隠れた仮定、循環論法を専門に探すfalsifierを割り当てる。その後、候補と批評を、相互に重複可能なランダムサンプリング木を通じて階層的に統合し、すべての軌跡を一度に同じコンテキストへ詰め込むことを避ける。

あるルートがreadiness gateを通過すると、システムは証明を、明示的な依存関係を持つ章単位のサブ問題へ分割する。相互に依存しない部分は並列処理できる。局所的な検証に失敗した場合は関連する章のみをやり直し、グローバル検証で中核戦略が実行不可能と判明した場合に限って探索段階へ戻る。失敗した草稿、反例、確認済みの結果は共有知識ディレクトリに保存され、後続ラウンドで再利用される。このワークフローは[Google Antigravity Teamwork](https://antigravity.google/blog/teamwork-when-ai-becomes-a-research-partner)のLong Proof patternにも移植されているが、製品版ではコストを抑えるため、論文の事例で用いられた並列度を引き下げている。

研究レベルの定理証明タスク300問を収録したTCS‑Benchでは、Gemini 3.1 ProとGemini 3.7 Flashをそれぞれ単独で使用したColosseumの実行結果は54%と55%だった。さらにシステムがFlashにProの証明に対する8件の批評を生成させ、5票を閾値として2つの候補の一方を選択したところ、結果は71%まで上昇した。別のCodeforcesテストでは、元の非公開テストセットで222問中218問に合格した。

エンジニアリング上の要点は単なる「マルチエージェント」ではなく、意見の相違、反証、依存関係、ロールバックを永続化可能な制御フローとして実装したことにある。ただし、TCS‑Benchの最終判定は依然として、参照証明を提示されたモデル評価器が行っている。また論文は、コスト、token数、実時間を比較するのに十分な完全なデータを提供していない。今後は、人間の専門家によるブラインドレビュー、完全に再実行可能なharness、そして同一予算下でのbest-of-Nおよび単一エージェントによる長いコンテキストを用いた手法との比較を注視すべきだ。