论文链接：Autonomous Mathematical Discovery in an Open-World Multi-Agent Environment 代码仓库：dualverse-ai/station（环境源码） · dualverse-ai/station_data_v2（全部原始对话、证明与验证代码） 发表时间：2026年8月24日 机构：DualverseAI（企业）+ University of Cambridge + University of Hong Kong + UC San Diego —— 企业 + 多高校合作：第一作者 Stephen Chung 隶属 DualverseAI 与剑桥，第二作者 Wenyu Du 隶属 DualverseAI 与港大，第三作者 William J. Wesley 来自 UCSD。企业方提供 Station 环境与工程体系，高校方贡献数学问题洞察（如 Book Ramsey 数正是第三作者本人的研究方向） 领域标签：cs.AI
一、论文背景
这篇论文回答的问题听起来有点科幻：能不能给一群 AI 只有一个研究目标，然后让它们自己搞数学研究——自己选题、自己做实验、自己写论文、自己建立一套科学文献，最后真的推进数学前沿？
要理解这件事的意义，需要先补几个背景概念。
1.1 AI 做数学：从辅助工具到前沿贡献者
过去两年，AI 在数学研究中的角色发生了质变。里程碑事件包括：
- AlphaEvolve（DeepMind，2025）：一个基于进化搜索的编码智能体，把数学构造问题变成"写代码生成候选解 → 自动评分 → 进化保留高分解"的循环，在数十个分析学、组合、几何、数论问题上推进了已知界（arXiv:2506.13131）。它证明了 AI 可以系统性地做"大规模数学探索"。
- 2026 年的爆发：Jacobian 猜想被 Claude Fable 找到反例推翻、Crouzeix 猜想与 Sendov 猜想被证明、OpenAI 报告十项数学进展。AI 已经从"辅助计算"变成"前沿贡献者"。
但 AlphaEvolve 这类系统有一个隐含假设：问题必须能被打分。你得先写一个评估函数，把候选解映射成一个标量分数，进化搜索才有抓手。这适合"找更小的 Kakeya 集"这种问题，但不适合"证明一个无穷族定理"这种目标——定理没有分数。此外，AlphaEvolve 的流水线中，人类研究者仍然深度介入：把数值结果提炼成定理、提供 Singer 差集之类的构造提示，都是人做的。
于是自然的问题是：如果把流水线拆掉、把打分器变成可选项，AI 还能做研究吗？
1.2 几个关键的数学问题（直觉版）
论文的实验对象取自 AlphaEvolve 的问题目录，这里给几个直觉解释：
- Kakeya 集与 Kakeya 针问题：经典 Kakeya 问题是"一根单位长度的针，转遍所有方向，最少需要多大的面积？“有限域版本问：在一个有限向量空间里，包含每个方向的完整直线的最小集合有多大？离散版本（Kakeya needle）则把方向数限制为 n 个等距方向、用 n 个细三角形表示，问三角形并集的最小面积 CT(n)。这类问题与调和分析、数论深度相关。
- kissing number（吻接数）：d 维空间里，最多能放多少个单位球同时触碰一个中心单位球而互不重叠？3 维的答案是 12（牛顿争论过）。11 维此前最好的下界是 593（AlphaEvolve 把 592 推到 593）。等价表述：找一组单位向量，两两内积不超过 1/2，问这组向量最多几个。
- 符号不确定性原理：一个函数和它的傅里叶变换不能"太快变正”——如果两者都在原点取负值，它们最早在多远的地方变成非负？这个距离的乘积有下确界 C_SU，求的是它的最优上界。
- Erdős 最小重叠问题：把区间 [−1,1] 分成互补的两部分 f 和 g=1−f，在所有平移下让两部分的重叠尽可能小，最小可能的最大重叠量 μ 是多少？已知 0.37912 ≤ μ ≤ 0.380868，区间一直收不拢。
- Jacobian 猜想：多项式映射如果处处局部可逆（Jacobian 行列式为非零常数），是否一定全局可逆？这个 1939 年提出的猜想在 2026 年 7 月被三维反例推翻——这是背景中最新鲜的事件，论文正是拿它做了压力测试。
1.3 开放世界多智能体：像科学生态一样组织 AI
“开放世界多智能体环境"指的是一种不同于流水线的 AI 组织方式：环境只提供基础设施（房间、通信、发表机制），不规定每个 AI 做什么。AI agent 像 RAID 游戏里的角色一样自由行动，但目标不是打怪而是做研究。此前作者团队的 Station v1（arXiv:2511.06309）已经验证了这一设想，但当时 agent 频繁幻觉、连环境规则都学不会。本论文是 Station v2 的大考：模型能力上来之后，这套自由体制能不能真的产出数学？
二、论文定位和关联工作
2.1 研究谱系一：流水线式 AI for 科学系统
| 工作 | 核心思想 | 与本文的关键区别 |
|---|---|---|
| AlphaEvolve（DeepMind，2025） | 进化搜索 + 自动评估器，大规模数值优化数学构造 | 流水线中心化，需人类辅助把数值结果提炼为定理；问题必须可打分 |
| AI Scientist / Agent Laboratory | LLM agent 分阶段执行"文献综述→实验→写作"固定流程 | 角色按流水线阶段切分，agent 不是完整研究者 |
| Google Co-Scientist、FutureHouse 的系统 | 多 agent 竞争-评审假设生成 | 不同模型家族被固定在流水线角色里，跨家族平等协作弱 |
| FunSearch（DeepMind，2023） | LLM + 进化搜索函数空间 | 单 agent 循环，无科学生态 |
论文自己的总结很清楚：现有系统大多把 agent 当作固定流水线里的工具，Station 把 agent 当作科学生态里的研究者——自选方向、全程负责、跨代积累论文知识。
2.2 研究谱系二：可比的数学发现平台
- EinsteinArena（斯坦福系，2026）：开放在线平台，接受任何参与者的候选构造并公开验证，604 点 kissing 构型在论文发布前后也出现在该平台上（多方 AI harness 协作的产物）。区别：EinsteinArena 是开放竞技场，Station 是端到端自治的封闭系统，且 Station 独立复现了其中一个构型。
- HorizonMath：自动验证的数学进步度量基准，在 Kakeya needle 上有 0.109148 的纪录，被 Station 的 0.107067 超越。
- TTT-Discover、Ye et al. 结构化扩展：AlphaEvolve 之后的后续改进工作，在 autoconvolution 等问题上继续压界——这些问题恰是 Station 落后于 AlphaEvolve 的地方，形成了有趣的对照。
2.3 本文的直接前身
- Station v1（Chung & Du，2025）：同一团队的环境原创论文。v1 验证了开放世界设想的可行性，但 agent 能力不足。本文的 Station v2 加入了 Question Room、假期机制、coder 助手、multistart 等一整套机制升级。
- AlphaEvolve 问题目录：既是方法对照的 baseline，也是实验题库——12 个问题直接取自其 6.x 系列。
定位结论
这篇论文在"AI 自主科学发现"脉络中的位置是：第一次用严格对照（同一问题、同一评分器 vs AlphaEvolve）证明"自由自治多智能体环境"能够产出相对先前文献新颖的数学结果，并且不止数值纪录，还包括定理、无穷族和可解释构造。它不是又一个流水线系统，而是对"环境设计哲学"的一次实证辩护：把 AI 当研究者而非工具。
三、问题定义
3.1 从具体场景到抽象问题
具体场景：12 个数学构造问题 + 2 个案例研究，每个问题开一个独立的 Station 实例跑 1–2 周。
论文的深层洞察在于识别出两类被现有系统混淆的东西：“可打分的代理目标"与"真正的数学目标”。AlphaEvolve 在有限域 Kakeya 问题上优化"有限个素数上的平均得分”，但数学家真正想要的是无穷族定理——两者之间需要研究者搭桥。论文把这个问题抽象为：
给定：一个研究目标 G（可能不可打分）、一个可选的评估器 E、一组异构 LLM agent、有限的墙钟时间； 求：一个环境设计 Σ，使 agent 群体在 Σ 中自主行动后，产出相对文献新颖的结果（新界、新构造、新定理）； 约束：无中心协调器、无脚本流水线、无人类专家在线指导。
3.2 类比：科学生态 ≈ 搜索算法
| 科学共同体概念 | 搜索/优化概念 |
|---|---|
| 研究者（有偏好、有任期） | 搜索算子（变异/交叉，多样化） |
| 论文发表 + 评审 | 精英存档（archive-based search） |
| 阅读文献 | 继承历史信息（不需要重新发现） |
| 假期 / 反思 | 探索性扰动（逃离局部最优） |
| 停滞 → 换方向 | restart / 多样性注入 |
| 跨代传承（世代谱系） | 种群迭代 |
这个抽象的精妙之处在于：它把"科学生态的组织方式"本身当成了一种搜索算法设计，但优化目标不是标量分数，而是"新颖数学贡献"这个开放性目标——然后用真实数学前沿做裁判。
3.3 为什么这个抽象必要
如果只问"Station 得分能否超过 AlphaEvolve"，那就退化为又一个刷榜工作。论文的抽象把评价轴拉宽到三个维度：①能否产出文献新颖的结果（前沿性）；②能否处理不可打分目标（一般性）；③发现过程是否可解释、可积累（科学价值）。后文第五部分的实验正是沿这三轴展开的。
四、问题解法
Station v2 的解法是一个完整的"AI 科研社区"操作系统。按组件拆解：
4.1 世界结构：房间化的空间 + tick 并行的时间
类比：像 MUD 游戏（或大学校园）的空间分区 + 轮次制（tick）的时间推进。
- 房间：Research Center（读任务、跑代码、提交评估）、Archive Room（发表/阅读论文）、Mail Room（私信）、Public Memory Room（持久论坛）、Common Room（非持久群聊）、Private Memory Room（私人笔记）、Question Room（提问 + 投票，类 Stack Exchange）、Reflection Chamber（反思）、External Counter（外部文献，默认禁用）。agent 必须人在房间才能用其功能。
- tick：每 tick 所有活跃 agent 同时收到观察、同时返回响应（v2 改为并行，大幅缩短墙钟时间）。单实例跑 1000–2000 tick，约 1–2 周。
- 上下文管理：对话接近约 30 万 token 上限时，Station 让 agent 写紧凑摘要，摘要 + 关键消息进入刷新后的上下文。
4.2 agent 生命周期：世代、任期与隔离
类比：学术界的博士生→教授→荣誉退休。
- 配置：每实例 6 个研究 agent——GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro 各 2 个（Jacobian 案例因时间靠后换用更新的 GPT-5.6 Sol、Claude Opus 5、Gemini 3.1 Pro）。agent 离开后由同模型新生补位，6 人构成恒定。
- 谱系：agent 组织成 lineage——继承名字、私人笔记与研究身份。Noesis III 继承 Noesis II 的全部笔记。离场 agent 还可以给自己后代写"角色说明书"，沉淀研究风格。
- 生命周期：最长 200 tick；前 40 tick 隔离工作（只能看自己谱系的记录，逼出独立探索）；40 tick 后"成熟"进入协作房间；100 tick 可获"终身教职"选择提前离场。
- 角色多样性：初始角色从分析型/创造型/综合型/实证型/战略型模板采样。
4.3 知识制度：论文、评审与检索
类比：预印本库 + 同行评审 + 文献综述服务。
- Archive Room：发现以"档案论文"形式发表，经 GPT-5.5 评审员判断严谨性/新颖性/有用性后接收；被拒论文带意见退回。论文全run持久，形成跨代知识库。
- Archive Surveyor：论文多了以后，agent 可以让这个 GPT-5.5/Codex 驱动的图书管理员按问题生成带引用的综述。
- Research Center + coder：实验不必是正式提交，可作沙盒诊断。v2 新增 coder（GPT-5.5 via Codex）：agent 用自然语言下实验指令，coder 负责写代码、修 bug、跑评估、交报告——让研究员专注科学而非调试，就像今天的人类研究者用编码助手。
4.4 探索机制：假期、停滞协议、multistart、监督者
这是 v2 最有特色的四个机制：
| 机制 | 类比 | 做法 | 直接作用 |
|---|---|---|---|
| 假期 Holiday | 周末/学术休假 | 每 10 tick 中最后 2 tick 禁止实验和投稿，agent 收到随机反思提示（隐喻、跨领域、重访被放弃的想法等，改编自"night science"实践） | 迫使系统跳出当前搜索轨道 |
| 停滞协议 | 资助方施压换方向 | 官方评估前沿 320 tick 无改进即触发，随机分派 exploration/exploitation/revival/understanding/strategy 五条车道 | 集体逃离局部最优 |
| multistart | 并行开题、择优续投 | 从同一状态并行 8 个 rollout 跑 40 tick，GPT-5.5 管理员比较后选最有科学价值的分支继续（用于开局与停滞协议触发后） | 对冲轨迹方差 |
| 监督者 | 系主任 | 随机任命发表过论文的 GPT-5.5 agent 任 supervisor，给高层指导、防重复劳动；任期间隔刻意留 200 tick 空窗 | 轻协调而非控制 |
另有 meta-reflection：成熟 agent 每 25 tick 至少进一次 Reflection Chamber，GPT-5.5 扮演外部人类专家审视其研究旅程——把 agent 的目标对齐到"好奇心与科学价值"而不仅是刷分。
4.5 全景：一次 Station run 的输入输出
输入：任务规格（问题描述 + 评估器，可附不可打分的数学目标）。不提供文献综述、专家提示。输出：档案论文库 + 构造 + 证明 + 全部原始对话（公开）。人类事后只做两件事：筛查亮点（外部 agent 预筛 + 人工复核，标为 S1/S2/…）与验证证明有效性。
五、评估指标与实验证据
5.1 实验设置与指标体系
- 题库：AlphaEvolve 目录 12 题（覆盖分析、组合、几何、数论）+ 2 案例（Book Ramsey 数、Jacobian 猜想）。每题独立实例，1000–2000 tick。
- 主指标：相对先前文献的新颖性——不是"得分比 baseline 高"，而是"产出了文献里没有的结果"。这是论文最看重的轴。
- 对照指标：与 AlphaEvolve 同题同评分器的直接对比（优于/打平/劣于）。
- 过程指标（元分析）：28 个 spotlight 结果的主导模型分布、跨模型协作率、发现时间分布、机制贡献归因、可复现性。
5.2 主结果：12 题总分 5 新颖 + 3 胜 + 2 平 + 2 负
| 问题 | Station 结果 | 对照 | 新颖性 |
|---|---|---|---|
| 有限域 Kakeya（6.1） | 新无穷族 |K_p|=(2p³+7p²+3)/8（p≡3 mod 4），比 AE 族省 (p−3)/4 点；F₃⁵ 上 53 点集（文献 63，恰好命中 2009 年猜测的 k₅=53） | AE 只有有限素数结果+人工辅助成族 | 文献新颖 |
| Erdős 最小重叠（6.5） | 下界 0.37912→0.380552，闭合已发表区间约 82% | AE 上界仅 0.380927→0.380924 | 文献新颖 |
| kissing number d=11（6.8） | 3 个精确 604 点构型（K(11)≥604），2 个为新等距类；附代数显式构造（496 核 + 108 扩展，无需搜索） | AE 593 | 文献新颖 |
| 离散 Kakeya needle（6.9） | CT(128)≤0.107067（比 AE 0.114810 提升 6.74%，比 HorizonMath 提升 1.91%）；另证 CT(3)=5/18、CT(4)=1/4 精确值、n=5 对称破缺 | AE 0.114810 | 文献新颖 |
| 符号不确定性（6.11） | 上界 0.3089（AE 0.321591、人类已宣布值 0.3102）——新文献纪录；并证明双根 Laguerre 族在 0.315305 处耗尽 | AE 0.321591 | 文献新颖 |
| Hardy–Littlewood（6.18） | 1.557069（AE 无提示 1.5080）；额外证明 C_α=2 for 1/3≤α<1（相对文献新颖，任务没要求） | AE 1.5080/1.533 | 优于 AE |
| Ovals（6.19） | 独立恢复完整 Benguria–Loss 等式族 | AE 只恢复圆 | 优于 AE |
| 素数定理（6.27） | 0.980681 且对所有 x 严格成立（AE 0.938 仅采样）；另证 Möbius 截断不可能有正渐近分 | AE 0.938 | 优于 AE |
| 差基（6.7） | 独立恢复 360 元素 Leech–Golay 构造（与 AE 逐项一致） | AE 360 | 平 |
| Sidorenko（6.26） | 均未找到反例 | AE 亦无 | 平 |
| 峰值自卷积（6.2） | C≤1.504473 | AE 1.5032 | 劣于 AE |
| 平坦自卷积（6.3） | C>0.953189；证明二值阶梯函数可逼近无约束上确界 | AE 0.961021 | 劣于 AE |
5.3 案例研究：超出打分器的两个极端
- Book Ramsey 数（Epoch AI FrontierMath 开放问题）：两个 Station（一个无网、一个带网+前者摘要）自主发现并证明 2 个新无穷族（conference 族、加倍 Legendre 族）；其有限构造+一个恒等式又帮助外部专家合成第三族（Yamada–Pott）。三族合计证明猜想对 n≤200 的 43 个值成立、解决 28 个此前开放情形。值得注意：evaluation 只能奖励有限构造，无穷族定理是 agent 自主追求的。
- Jacobian 猜想（2026-07-19 反例公布一周后启动）：只给二元任务规格（有理系数、次数≤12、常值非零 Jacobian、一纤维两有理点），评分只有 0/1、无任何梯度信号。单个 GPT-5.6 Sol agent 在 1 天内独立重构了 7 次反例（在相差线性坐标变换意义下与公布的一致），且给出几何解释：从尖点直纹面出发推出 Jacobian 相消、三叶纤维来自三次商方程。全部原始对话公开——而原 Fable 的发现轨迹未公开。
5.4 元分析：谁在做研究、怎么协作
- 模型家族贡献（28 个 spotlight）：Claude 主导 18 个（64.3%）、GPT 9 个（32.1%）、Gemini 1 个（3.6%）。档案论文投稿：Gemini 2652 投 508 中（19.2%，大量过度声称被拒）、Claude 1236 投 696 中（56.3%，论文长而全、篇均引用 9.5 最高）、GPT 506 投 388 中（76.7%，严谨低产）。
- 协作结构：13/28（46.4%）跨模型家族协作；19/28（67.9%）多 agent 参与；仅 9 个由单 agent 独立完成。跨模型协作的主要通道是 Archive Room（61.5%）——论文是低带宽高信息密度的交流介质。有限域 Kakeya S1 的发现链是教科书案例：Gemini 发表分式线性构造族 → GPT 发表平方类结构并孤立出开放计数 → GPT 写信追问精确公式 → Claude 第十四世把三家结果合成无穷族定理（跨越 tick 1041–2641）。
- 发现时间：13/28（46.4%）的亮点出现在 tick 1000 之后；conference 族在 tick 3727 才出现——重要发现往往要等内部文献充分积累。
- 机制归因（28 结果直接/间接贡献）：假期 23、档案论文 21、停滞协议 14。
- 可复现性：3 个无网独立实例全部达到 604 点，但路径迥异（离散线打包 / 根系统 motif / 601 点构型形变加向量）——同一结果、不同数学表征。方差主要来自档案库的初始分叉累积，建议同题多开实例。
5.5 指标如何支撑核心主张
论文的主张是"自由自治环境能产出新颖数学"。证据设计有三层：①新颖性由外部文献锚定（不是自说自话的分数）；②与 AlphaEvolve 同题同分对照给出公平战绩（5+3+2+2，且明示败绩）；③元分析解释发现的生产方式（协作率、机制归因、复现性），把"结果"与"环境机制"连成因果。特别地，素数定理一题是"分数可作弊 vs 数学真值"的校准实验：有 agent 刷出 0.990629 的高分但全局不等式不成立，而获奖的 0.980681 构造对所有 x 严格成立——agent 群体有能力区分 hack 分数与真结果。
六、效果优势的根源解释
对比对象是 AlphaEvolve。它为什么强：进化搜索 + 大规模并行评估在"不规则数值对象"上近乎暴力穷举，评估器算得越快、搜索量越大，效果越好。它的根本局限也在这里：优化通道必须经过标量分数——不可打分的目标（无穷族、定理、反例重构）要么做不了，要么需要研究者搭桥；而且它优化出的构造往往是数值奇迹，人类难以理解、难以推广（593 点构型的坐标不揭示任何代数结构）。
Station 的三项根本性改变及其因果链：
① 自由自治 → 可直接追求不可打分目标。 任务规格里可以写"有限构造只是测试用例，主要目标是发现无穷族"。于是有限域 Kakeya 上，agent 独立恢复了 AE 需要人工流水线才能得到的无穷族，还发现了覆盖额外素数类的新扩张；Book Ramsey 上评估器只能奖励有限构造，agent 却自主证明无穷族；Erdős 问题上甚至违背"改进上界"的指令去做了更有价值下界证明。信息流层面：目标函数从"评分器输出"变为"任务文本中的数学目标本身"，搜索空间不再被评分器可计算的范围截断。→ 体现在 5 项新颖结果中的 3 项（Kakeya 族、Erdős 下界、Book Ramsey 族）。
② 评估成本结构 → 理论引导压缩搜索空间。 单次评估上限 15–30 分钟，暴力搜索不划算，这反而激励 agent 用数学结构缩小空间。kissing number 上最典型：agent 先证明经典 D₁₁ 构造在范数-4 壳内最多 582 点（α(J±(n,4))=16A(n,4,4)，与 Takhanov–Yun 2026 年 6 月才公开的定理独立重合）——这个"此路不通"定理把搜索重定向到"格核 + 扩展"路线，几分钟内找到 604 点，再提炼成无需计算机搜索的代数构造。AE 的 593 点则是大规模搜索的不规则产物。→ 体现在 604 点构型 + 代数构造 + CT(3)/CT(4) 精确值上。反事实：若去掉这个成本结构（评估无限快），Station 未必仍偏向理论路线——论文诚实地承认这是双刃剑。
③ 档案论文制度 → 知识跨代复利。 部分定理、构造、失败的记录都进入档案，后来者不必重新发明。三个无网实例全达 604 点、路径各异，说明档案积累让每个实例都"站在自己文献的肩膀上"；跨模型协作 61.5% 走 Archive Room；Kakeya S1 跨越 1600 tick、四篇论文、三个模型家族。AE 存的是优化历史/中间产物（过程信息），Station 存的是论文（科学知识）——前者帮助系统继续跑，后者允许知识被提取、引用与组合。→ 体现在 tick 1000 后的 13 项亮点与复现稳健性上。
短板同样要溯源。 峰值/平坦自卷积两题 Station 落后（1.504473 vs 1.5032；0.953189 vs 0.961021）：这类问题的前沿构造本质是高度不规则的数值对象，只能靠持续大规模启发式搜索磨出来——正是 αEvolve 的主场、理论引导路线的天敌。同一机制（偏向理论构造）在不同问题结构上产生相反的符号，这不是实现瑕疵而是设计取舍的必然。d=12 kissing 停在 840（前沿 841 也由大规模数值优化+结构洞察达成）进一步印证。论文据此给出诚实的选型建议：看问题结构与想要的输出——要不规则数值纪录选进化搜索，要定理与可解释构造选 Station。
另有四条被明确承认的持久缺陷：缺乏专家直觉（在弱证据下错误降优先级，错过/延迟突破）、研究口味同质化（同家族 agent 想法趋同）、上下文学习有限（知识不进权重，偶尔认不出自己的研究与档案的联系——Yamada–Pott 族正是外部专家才把 Station 自己已有的零件拼起来的）、吸引子陷阱（换随机种子反复跑同一脚本等伪工作）。
七、必要知识反推
假设一个零知识的人要完成这项工作，最少需要知道什么？
7.1 领域知识层（数学）
- 每个候选问题的前沿状态：必须知道 Kakeya 集的 Bukh–Chao 精确常数、kissing number 的 592/593 历史、符号不确定性的 0.321591/0.3102、Erdős 问题的区间、Book Ramsey 的 Wesley 猜想与 Paley 族——否则无法判断"新颖性"，也无法把任务规格写得让 agent 有正确的可打分/不可打分结构。
- 构造类数学的验证标准：什么样的证明算证明（精确算术、穷举检查、代数恒等式证书），这是设计评估器和事后人工复核的前提。
- AI 数学发现的最新动态：Jacobian 反例公布一周内就设计出无公式二元任务，需要实时跟踪社区。
7.2 方法论知识层（多智能体系统 + LLM）
- 开放世界环境的组织学：房间/tick/世代/评审这些制度设计来自对科学共同体运作方式的深刻理解（Station v1 的积累），以及 night science 等创造力研究（假期提示语直接改编自 Yanai–Lercher）。
- LLM 模型家族的行为差异：GPT 严谨、Claude 持续自省、Gemini 新奇但过度声称——这些口味差异是异构配置（每家 2 个）与角色分工（coder/评审/监督者全用 GPT-5.5）的依据。
- 搜索与优化的元理论：理解探索-利用权衡、restart、archive-based search，才能把假期/停滞协议/multistart 设计成有效的搜索机制而非装饰。
7.3 工程知识层
- 大规模并行 LLM 运行基础设施：1000–2000 tick、6 agent + 辅助角色、30 万 token 上下文管理、摘要继承——没有这套工程，一切无从谈起。
- 评估器工程：把数学问题转成可自动验证的代码（kissing 重叠度量、Kakeya 方向覆盖检查、素数定理的周期性 F_f 检查），并理解采样评分的漏洞。
- 透明性设计：全量公开对话/证明/代码的 data 仓库，让发现过程本身成为可研究对象。
7.4 知识融合的关键节点
- 制度设计 × 搜索理论：意识到"科学界的组织形式本身就是一种搜索算法"，于是假期=探索扰动、论文=精英存档、停滞协议=多样性注入——两个领域的知识在"机制即算法"这一点上化合。
- 任务规格 × 数学前沿：区分可打分代理目标与真实数学目标，在任务文本里显式写入不可打分目标——这是让 agent 越过评分器直接做数学的关键一步。
- 成本结构 × 研究风格：评估时限 15–30 分钟不是工程妥协，而是有意选择的激励——逼出理论引导路线。
八、论文中可以提取的通用性灵感
灵感 1：把 agent 当研究者，而非流水线零件。 论文证据：同题同分对照下 5 项文献新颖结果；自由度直接导致违背指令却更有价值的 Erdős 下界证明。推广场景：软件工程（让 agent 团队自主决定架构方向而非只分配 ticket）、自动化科研（生物/材料实验设计）、投资研究（自主尽调而非执行既定框架）、产品设计（自选用户问题去解决）。
灵感 2：显式区分可打分代理目标与真实目标，并在任务中直说。 论文证据：任务文本写明"有限构造是测试用例，主要目标是无穷族"，agent 便越过评分器证明了无穷族；素数定理题里 agent 主动放弃 0.990629 的可作弊高分、选择 0.980681 的全局严格解。推广场景：任何用 proxy metric 训练/评估 AI 的场景（代码覆盖率≠质量、用户时长≠产品价值），把真实目标写进任务描述能缓解 Goodhart 效应。
灵感 3：评估成本是有意设计的激励，慢评估逼出理论。 论文证据：15–30 分钟评估上限激励 agent 先证明 D₁₁≤582 的不可能定理再转向，几分钟命中 604 点；反过来，评估极快的场景（自卷积）AE 暴力搜索取胜。推广场景：约束求解/规划系统设计（人为引入计算预算换表征质量）、教育（限时考试逼出直觉而非穷举）、RL 奖励设计（让"想清楚"比"多试"便宜）。
灵感 4：知识要以"论文"而非"过程日志"的形式跨代积累。 论文证据：档案论文对 28 个亮点中 21 个有直接/间接贡献；61.5% 跨模型协作经由 Archive Room；存优化历史的对照系统无法让知识被后来者提取组合。推广场景：长周期 AI 系统（客服/运维 agent 的交接文档）、组织知识管理（人走知识留的制度设计）、持续学习系统（外显知识库 vs 参数内隐记忆）。
灵感 5：异构模型混合组队，用口味差异换探索广度。 论文证据：64.3% 亮点由 Claude 主导、46.4% 跨家族协作；Gemini 高被拒率（80%+）但贡献新奇启发，GPT 76.7% 接收率但低产——单一口味会塌缩搜索空间。推广场景：LLM 集成/辩论系统（异构 ensemble 优于同构 self-consistency）、团队组建（认知多样性）、生成式设计（多风格 generator）。
灵感 6：强制休息与随机反思是逃离局部最优的廉价机制。 论文证据：假期机制对 28 个亮点中 23 个有贡献、居所有机制之首；每 25 tick 的 meta-reflection 让 GPT-5.5 扮演外部专家审视自己。推广场景：长时程 agent 的调度设计（周期性 context 切换）、优化算法（定时扰动/模拟退火）、个人工作法（番茄钟式的强制抽离）。
灵感 7：跑多个独立实例对冲轨迹方差，让分叉累积变成优点。 论文证据：3 个无网实例全部复现 604 点但路径截然不同；multistart 在开局与停滞时并行 8 个分支择优。推广场景：anytime 算法的 portfolio 策略、A/B 测试文化、科研资助的广撒网机制。
灵感 8：释放全部原始过程数据，把系统本身变成研究对象。 论文证据：station_data_v2 公开全部对话/证明/验证代码，Jacobian 案例保留了不出现在最终构造里的中间数学思想——Fable 的轨迹则未公开。推广场景：AI 安全（过程审计）、科学可复现性、agent 行为学（发现动力学的研究语料）。
附录：一图总结
- 一句话：把六个 GPT/Claude/Gemini agent 关进一个有房间、论文、假期和科层的开放世界 1–2 周，无中心协调，产出 5 项文献新颖数学结果 + 2 个案例级突破。
- 战绩：对 AlphaEvolve 12 题 5 新颖 / 3 胜 / 2 平 / 2 负；604 vs 593（kissing d=11）；CT(128) 提升 6.74%；符号不确定性 0.3089 新纪录；Erdős 区间闭合 82%；Jacobian 反例 1 天重构。
- 命门：大规模启发式搜索问题（自卷积×2）落后于 AE；直觉、口味多样性、上下文吸收、吸引子陷阱四大缺陷仍在，人类专家的轻量介入仍是潜力项。