🤖 AI

RMA: an Agentic System for Research-Level Mathematical Problems

Die Arbeit stellt Research Math Agents (RMA) vor, ein agiles Framework, das durch die Nutzung eines multirolligen, iterativen Workflows, der Aufgaben in spezialisierte Module für Literaturrecherche, Beweisgenerierung und Verifikation zerlegt, bei mathematischen Problemen auf Forschungsniveau starke Baselines wie GPT-5.2R übertrifft.

Ursprüngliche Autoren: Zelin Zhao, Bo Yuan, Jaemoo Choi, Yongxin Chen

Veröffentlicht 2026-05-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Zelin Zhao, Bo Yuan, Jaemoo Choi, Yongxin Chen

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein brandneues, ungelöstes Rätsel in der Welt der Mathematik zu lösen. Es ist nicht wie ein Rätsel aus einem Schulbuch, bei dem die Antwort hinten im Buch versteckt ist und Sie nur einem bekannten Rezept folgen müssen. Stattdessen ist es wie der Versuch, ein neues Kapitel für ein Wörterbuch zu schreiben, das noch nicht geschrieben wurde. Sie müssen die Regeln erfinden, die richtigen Worte finden und beweisen, dass Ihre Ideen wahr sind, und dabei sicherstellen, dass Sie nicht versehentlich die Arbeit eines anderen kopiert haben.

Dieser Artikel stellt RMA (Research Math Agents) vor, ein neues Team von KI-"Robotern", das speziell entwickelt wurde, um diese schwierigen, ungelösten mathematischen Rätsel zu bewältigen.

Hier ist, wie RMA funktioniert, erklärt durch eine einfache Analogie:

Das Problem: Der "einsame Genie"-Ansatz vs. das "Forschungsteam"

Bisherige KI-Systeme waren wie einsame Genies. Sie waren hervorragend darin, Wettbewerbsaufgaben aus der Mathematik zu lösen (wie die Internationale Mathematik-Olympiade), da diese Probleme bekannte Antworten und klare Wege haben. Doch wenn sie mit echter, offener Forschungsmathematik konfrontiert wurden, blieben sie oft stecken, erfanden Fakten (Halluzinationen) oder gaben auf.

RMA verändert das Spiel, indem es wie ein professionelles Forschungsteam in einem Universitätslabor agiert. Anstatt dass ein Roboter versucht, alles allein zu erledigen, zerlegt RMA die Arbeit in eine strukturierte Teamleistung.

Das RMA-Team: Arbeitsteilung

Stellen Sie sich RMA als ein Bauunternehmen vor, das ein Wolkenkratzer (der Beweis) von Grund auf errichtet. Sie raten nicht einfach; sie folgen einem strengen Arbeitsablauf mit drei Hauptrollen:

Der Initializer (Der Architekt):
- Aufgabe: Dieser Agent betrachtet die unordentliche, verwirrende Problemstellung und verwandelt sie in einen klaren Bauplan. Er zerlegt das große Problem in kleinere, handhabbare Ziele.
- Analogie: Wie ein Architekt, der die vage Idee eines Kunden ("Ich möchte ein Gebäude, das schwebt") aufgreift und den ersten Satz von Bauplänen zeichnet, der genau definiert, was gebaut werden muss.
Die Proposers (Die Bauarbeiter & Ingenieure):
- Aufgabe: Diese Agenten nehmen den Bauplan und versuchen, den Beweis zu errichten. Wenn sie auf eine Wand stoßen (eine logische Lücke), geben sie nicht einfach auf. Sie kehren zur "Bibliothek" zurück, finden ein neues Werkzeug oder einen ähnlichen Gebäudeentwurf (ein Theorem aus einem Lehrbuch) und versuchen eine andere Bauweise.
- Analogie: Wie ein Team von Ingenieuren, das verschiedene Materialien und Entwürfe testet. Wenn ein Balken bricht, sagen sie nicht einfach "es ist unmöglich"; sie prüfen die Bibliothek nach einer stärkeren Stahllegierung und versuchen es erneut.
Die Verifiers (Die Prüfer):
- Aufgabe: Diese Agenten fungieren als strenge Bauinspektoren. Sie bauen nichts; sie prüfen nur die Arbeit. Sie suchen nach Rissen in der Logik, fehlenden Schritten oder gefälschten Materialien. Wenn sie einen Fehler finden, schicken sie die Bauarbeiter zurück, um ihn zu beheben.
- Analogie: Wie ein Sicherheitsinspektor, der durch das Gebäude läuft, an den Wänden klopft und die Baupläne überprüft. Wenn sie einen Mangel finden, erteilen sie einen "Reparatur-Auftrag", und die Bauarbeiter müssen ihn korrigieren, bevor sie fortfahren.

Das "gemeinsame Notizbuch" (Strukturiertes Gedächtnis)

Ein wesentlicher Teil von RMA ist, dass alle ein digitales Notizbuch (ein geteiltes Gedächtnis) teilen.

Der Architekt schreibt den Bauplan.
Die Bauarbeiter fügen ihre Bauhinweise und neuen Ideen hinzu.
Die Prüfer schreiben ihre Kritikpunkte.
Entscheidend: Niemand löscht, was vorher kam. Sie fügen einfach neue Seiten hinzu. Das bedeutet, dass das Team jeden Fehler, den sie gemacht haben, und jedes Werkzeug, das sie gefunden haben, im Gedächtnis behält, damit sie keine Fehler wiederholen.

Die "Fair-Play"-Regeln

Um sicherzustellen, dass die KI nicht schummelt, indem sie die Antwort nachschlägt, verfügt RMA über ein Fair-Comparison-Modul.

Es fungiert wie ein strenger Schiedsrichter, der die Türen zu allen Websites verschließt, die die Lösung enthalten könnten.
Es stellt sicher, dass die KI nur alte Lehrbücher und Papiere betrachtet, die vor der Erstellung des Problems veröffentlicht wurden, und zwingt die KI tatsächlich zu denken und zu entdecken, anstatt einfach nur zu kopieren und einzufügen.

Die Ergebnisse: Hat es funktioniert?

Die Forscher testeten RMA am "First Proof"-Benchmark, der aus 10 echten, ungelösten mathematischen Problemen besteht, die von berühmten Mathematikern beigetragen wurden.

Der Wettbewerb: Sie verglichen RMA mit anderen führenden KI-Systemen, darunter "GPT-5.2R" (von OpenAI) und "Aletheia" (von Google DeepMind).
Das Ergebnis:
- Aletheia konnte keines der Probleme lösen.
- GPT-5.2R löste 3 von 10, machte jedoch manchmal kleine logische Fehler oder lieferte schwächere Antworten.
- RMA löste 8 von 10 Problemen.
- Noch wichtiger: Als menschliche Mathematiker die Beweise überprüften, sagten sie, dass die Lösungen von RMA logischer, klarer und vertrauenswürdiger waren als die der anderen.

Das Fazit

Der Artikel behauptet, dass das Lösen schwieriger Mathematik nicht davon abhängt, ein intelligenteres "Gehirn" (ein einzelnes leistungsfähiges KI-Modell) zu haben, sondern einen besseren Prozess. Indem die Arbeit in spezialisierte Rollen (Architekt, Bauarbeiter, Prüfer) zerlegt wird, ihnen ein gemeinsames Notizbuch gegeben wird und sie gezwungen werden, ihre Arbeit wiederholt zu überprüfen, kann RMA Probleme bewältigen, die selbst die intelligenteste einzelne KI nicht lösen kann.

Es ist der Unterschied zwischen der Frage, ob eine Person allein im Dunkeln ein Haus bauen soll, und der Einstellung eines Teams mit Bauplan, Bibliothek und Sicherheitsinspektor.

Technische Zusammenfassung: RMA – Ein agentic System für mathematische Probleme auf Forschungslevel

Problemdefinition

Aktuelle Benchmarks für mathematisches Schlussfolgern in der künstlichen Intelligenz, wie MATH oder Probleme der Internationalen Mathematik-Olympiade (IMO), beschränken sich auf klar abgegrenzte Wettbewerbsaufgaben. Diese Probleme lassen sich typischerweise durch prägnante, in sich geschlossene Lösungen unter Verwendung bekannter Techniken lösen und erfordern keine Auseinandersetzung mit externer Literatur oder die Entwicklung neuer Beweisstrategien. Im Gegensatz dazu stellen mathematische Probleme auf Forschungslevel qualitativ eine andere Herausforderung dar. Sie verlangen von Systemen, spezialisierte Definitionen zu interpretieren, Annahmen zu formalisieren, relevante Vorergebnisse aus einer umfangreichen Literatur zu identifizieren, effektive Beweisstrategien zu erkunden, Zwischenlemma zu konstruieren und lange Ketten rigorosen Schlussfolgerns auszuführen. Bestehende Systeme zum formalen Theorembeweisen sind für diesen Bereich oft ungeeignet, da sie vollständig spezifizierte Probleme und feste formale Kontexte voraussetzen, während mathematische Forschung eine Auseinandersetzung mit unstrukturierter Literatur und konstruktiven Techniken erfordert. Darüber hinaus sind bestehende agentic Forschungswerkzeuge nicht für das strukturierte Schlussfolgern, die Identifizierung von Lücken und die rigorose Darstellung konzipiert, die für mathematische Beweise erforderlich sind.

Methodik: Das RMA-Framework

Die Autoren schlagen Research Math Agents (RMA) vor, ein agentic Framework, das speziell für das automatisierte Schlussfolgern bei mathematischen Problemen auf Forschungslevel entwickelt wurde. RMA zerlegt den Prozess des Beweisens in spezialisierte Module und koordiniert diese durch einen Multi-Agenten-Workflow mit mehreren Runden.

1. Modulares Design

RMA basiert auf sechs spezialisierten Modulen, die als strukturierte Routinen implementiert sind und von CLI-basierten Coding-Agenten ausgeführt werden:

Problem-Analyse-Modul: Transformiert rohe Problemstellungen in strukturierte Zwischenbeschreibungen durch die Formalisierung von Variablen, die Zerlegung von Problemen in Teilziele und die Extraktion von Randbedingungen. Dies reduziert Mehrdeutigkeiten und leitet das nachfolgende Schlussfolgern.
Literatursuch-Modul: Ruft relevante Vorarbeiten ab, indem es Kandidatenabfragen basierend auf der strukturierten Problemrepräsentation generiert, anstatt einfache Schlüsselwortabgleiche zu verwenden. Es berücksichtigt die Variabilität mathematischer Notation über verschiedene Plattformen hinweg (z. B. arXiv, MathSciNet) und setzt einen Schritt der „Kandidatengenerierung" ein, um Informationsleckagen aus bestehenden Lösungen während der Abfrage zu verhindern.
Fairer Vergleichs-Modul: Sichert die Bewertungsintegrität, indem es Quellen mit bekannten Lösungen filtert, die Interaktionshistorie zwischen den Durchläufen isoliert, die Werkzeugnutzung in Sandboxes einschließt und Foundation-Modelle mit Trainings-Cutoffs verwendet, die vor dem Release des Benchmarks liegen, um Datenkontamination zu verhindern.
Literaturverständnis-Modul: Verarbeitet abgerufene Literatur durch die Extraktion von Kandidatenlemma und Techniken, filtert diese auf Übereinstimmung mit den Annahmen und Zielen des aktuellen Problems und organisiert sie in Zusammenfassungen, die nach Rolle gruppiert sind (z. B. unterstützende Teilziele).
Wissensbank-Modul: Ein „Spickzettel"-artiges Repository mit prägnanten, wiederverwendbaren Einträgen (z. B. Standardungleichungen, kombinatorische Identitäten), das aus kanonischen Lehrbüchern kuratiert wurde. Diese Einträge enthalten explizite Annahmen und Anwendbarkeitsbedingungen, was dem System ermöglicht, Standardargumente zu instanziieren und zu verifizieren, ohne sie erneut herleiten zu müssen.
Beweis-Gebote-Modul: Erzwingt einen Satz von Regeln, um häufige Fehlermodi von LLMs zu mildern, einschließlich:
- Verankerung: Behauptungen müssen durch etablierte Ergebnisse oder Herleitungen gestützt sein.
- Treue: Einhaltung der ursprünglichen Problemstellung.
- Lückenfreies Schlussfolgern: Explizite Begründung für jeden Schluss.
- Konstruktivität: Anforderung expliziter Konstruktionen, wo erforderlich.
- Formatkorrektheit: Sauberer, kompilierbarer LaTeX-Ausdruck.

2. Multi-Agenten- und Multi-Runden-Instanziierung

RMA operationalisiert diese Module durch ein System rollenspezialisierter Agenten, die über einen Shared Structured Memory interagieren, der auf der Festplatte gespeichert ist. Das System besteht aus:

Initializer-Agent (Einzeln): Erzeugt den ersten Beweisentwurf, füllt den Speicher mit Problemanalyse, Literaturkontext und wiederverwendbarem Wissen.
Proposer-Agenten ( $K_p$ ): Verfeinern den sich entwickelnden Beweis, indem sie Lücken identifizieren, relevante Module aufrufen und neue Argumente entwickeln. Sie haben nur Schreibzugriff auf den Beweisstatus.
Verifier-Agenten ( $K_v$ ): Bewerten den aktuellen Beweis gemäß dem Beweis-Gebote-Modul, prüfen die logische Konsistenz und identifizieren fehlende Schritte. Sie haben nur Schreibzugriff auf den Feedback-Status.

Der Workflow verläuft in $N$ Runden. In jeder Runde generieren Proposer Kandidatenbeweise, konditioniert auf den aktuellen Speicherzustand, und Verifier liefern strukturiertes Feedback. Der gemeinsame Speicher enthält den Problemzustand, den Literaturkontext, Wissenseinträge, den Beweisstatus und das angesammelte Feedback. Lese-/Schreibberechtigungen werden streng kontrolliert, um Konflikte zu verhindern; alle Updates werden mit Agenten- und Rundenkennungen versehen angehängt.

Hauptbeiträge

RMA-Framework: Die Vorstellung eines agentic Frameworks, das das Lösen von Beweisen auf Forschungslevel in domänenspezifische Module zerlegt (Problemanalyse, Literatursuche, Wissensabruf und Verifikation) und gleichzeitig Datenkontamination aktiv verhindert.
Multi-Agenten-, Multi-Runden-Architektur: Die Einführung eines Systems, das Rollen in Proposer und Verifier zerlegt, was iteratives Schlussfolgern, automatische Verifikation und Selbstverbesserung durch strukturierte Interaktionen ermöglicht, was die Robustheit gegenüber Single-Agenten-Ansätzen verbessert.
Empirische Validierung: Rigorose Expertenverifikation, die zeigt, dass RMA bei der Lösung von Problemen auf Forschungslevel starke Baselines (einschließlich GPT-5.2R und Aletheia) übertrifft. Das System erreicht höhere Richtigkeitsraten und erzeugt Beweise, die besser interpretierbar sind und mit menschlichem mathematischem Schlussfolgern übereinstimmen.
Ablations-Erkenntnisse: Systematische Studien, die zeigen, dass Leistungsgewinne aus der Interaktion strukturierter Module, iterativer Verfeinerung und verifikatorbasiertem Feedback resultieren und nicht aus einer einzelnen Komponente.

Experimentelle Ergebnisse

Das System wurde am First Proof-Benchmark evaluiert, der aus zehn Problemen auf Forschungslevel besteht, die von Expertmathematikern aus verschiedenen Domänen (z. B. stochastische Analysis, spektrale Graphentheorie) beigetragen wurden.

Richtigkeit: RMA löste gemäß Expertenurteil erfolgreich 8 von 10 Problemen. Dies übertrifft starke Baselines signifikant: GPT-5.2R (3/10), Aletheia (5/10) und Agentic Researcher (3/10). Retrieval-augmentierte Forschungsassistenten (GPT-DR, Gemini-DR) schafften es nicht, eine vollständig korrekte Lösung zu produzieren.
Qualität: In feinkörnigen Bewertungen (Antwortgenauigkeit, Logische Korrektheit, Vollständigkeit, Klarheit) erzielte RMA in allen Dimensionen die höchsten Scores.
Paarweiser Vergleich: In blinden paarweisen A-B-Vergleichen belegte RMA mit einer Gewinnrate von 0,75 gegen Experten und 0,78 gegen LLM-Evaluator den ersten Platz und übertraf alle Baselines.
Ablationsstudien:
- Das Entfernen des Problem-Analyse- oder Wissensbank-Moduls verursachte eine schwere Leistungsverschlechterung.
- Multi-Agenten-Schlussfolgern übertraf Single-Agenten-Generierung und rechenangepasstes „Best-of-N"-Sampling signifikant.
- Die Leistung erreichte bei 5 Schlussfolgerungsrunden ihren Höhepunkt ( $N=5$ ); übermäßige Iterationen führten zu einer Verschlechterung.
- Die Skalierung der Anzahl der Verifier ( $K_v$ ) und Proposer ( $K_p$ ) verbesserte die Leistung bis zu einem Punkt (je 3 Agenten), danach wurden abnehmende Grenzerträge oder eine leichte Verschlechterung beobachtet.
- Strukturierter Speicher (Erhaltung der Historie über Runden hinweg) war entscheidend und übertraf zustandslose oder „nur letzte Runde"-Speicherdesigns.

Bedeutung und Behauptungen

Das Papier positioniert RMA als anwendungsinspirierten Fortschritt in der KI für wissenschaftliche Entdeckungen. Die Autoren behaupten, dass das Framework zeigt, dass agentic Designs eine vielversprechende Richtung für die Weiterentwicklung der KI hin zu offenem mathematischem Schlussfolgern darstellen.

Wichtige Erkenntnisse, die von den Autoren betont werden, umfassen:

Über Wettbewerbsmathematik hinaus: Der Wechsel von der Lösung von Wettbewerbsproblemen zur Bewertung der Fähigkeit der KI, zur mathematischen Entdeckung beizutragen, erfordert einen anderen architektonischen Ansatz, insbesondere einen, der Literaturreferenzierung und iterative Verfeinerung integriert.
Interaktion vor Komponenten: Die Leistungsgewinne werden der Interaktion strukturierter Schlussfolgerungsmoduln, iterativer Verfeinerung und verifikatorbasiertem Feedback zugeschrieben und nicht der Stärke einer einzelnen Komponente.
Mensch im Loop: Das System ist als Assistent konzipiert, um Forschern zu helfen, Strategien zu erkunden und Literatur zu organisieren, nicht als Ersatz für Expertenurteile. Die Autoren erkennen an, dass Expertenverifikation weiterhin notwendig bleibt, um Annahmen und Zitate zu validieren, da LLMs immer noch überzeugende, aber falsche Argumente produzieren können.
Reproduzierbarkeit: Das modulare Design und die Struktur des gemeinsamen Speichers machen den Schlussfolgerungsprozess überprüfbar und ermöglichen es Benutzern, den Ursprung von Behauptungen und den Fluss des Beweisbaus zu auditieren.

Die Autoren schließen, dass RMA zwar einen bedeutenden Schritt nach vorne darstellt, das Feld jedoch eine fortgesetzte Erweiterung von Benchmarks, eine Analyse des Kosten-Nutzen-Verhältnisses und transparente Evaluierungsprotokolle benötigt, um das Potenzial der KI in der mathematischen Forschung voll auszuschöpfen.