🤖 AI

RMA: an Agentic System for Research-Level Mathematical Problems

Het artikel introduceert Research Math Agents (RMA), een agentiek kader dat sterke baselines zoals GPT-5.2R overtreft op onderzoeksniveau wiskundige problemen door gebruik te maken van een meerrollige, iteratieve workflow om taken op te splitsen in gespecialiseerde modules voor literatuurbasis, bewijsgeneratie en verificatie.

Oorspronkelijke auteurs: Zelin Zhao, Bo Yuan, Jaemoo Choi, Yongxin Chen

Gepubliceerd 2026-05-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Zelin Zhao, Bo Yuan, Jaemoo Choi, Yongxin Chen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een gloednieuw, onopgelost mysterie op te lossen in de wereld van de wiskunde. Het is niet zoals een puzzel uit een middelbareschoolboekje, waar het antwoord achterin het boek staat verstopt en je alleen een bekend recept hoeft te volgen. In plaats daarvan is het als het proberen te schrijven van een nieuw hoofdstuk voor een woordenboek dat nog niet geschreven is. Je moet de regels uitvinden, de juiste woorden vinden en bewijzen dat je ideeën waar zijn, terwijl je tegelijkertijd moet zorgen dat je niet per ongeluk iemands werk hebt gekopieerd.

Dit artikel introduceert RMA (Research Math Agents), een nieuw team van AI-"robots" dat specifiek is ontworpen om deze moeilijke, onopgeloste wiskundige mysteries aan te pakken.

Hier is hoe RMA werkt, uitgelegd via een eenvoudige analogie:

Het Probleem: De "Eenzame Genie" versus het "Onderzoeksteam"

Eerdere AI-systemen waren als eenzame genieën. Ze waren uitstekend in het oplossen van wiskundewedstrijdproblemen (zoals de Internationale Wiskunde Olympiade), omdat die problemen bekende antwoorden en duidelijke paden hebben. Maar wanneer ze werden geconfronteerd met echte, open-ended onderzoekswiskunde, bleven ze vaak steken, verzonnen ze feiten (hallucinaties) of gaven ze op.

RMA verandert het spel door te fungeren als een professioneel onderzoeksteam in een universitair laboratorium. In plaats van dat één robot alles alleen probeert te doen, breekt RMA het werk op in een gestructureerde teaminspanning.

Het RMA-Team: Een Taakverdeling

Beschouw RMA als een bouwteam dat een wolkenkrabber (het bewijs) van scratch bouwt. Ze gokken niet zomaar; ze volgen een strikt workflow met drie hoofdrollen:

De Initializer (De Architect):
- Taak: Deze agent bekijkt de rommelige, verwarrende probleemstelling en zet deze om in een duidelijk blauwdruk. Het breekt het grote probleem op in kleinere, hanteerbare doelen.
- Analogie: Net als een architect die het vage idee van een klant ("Ik wil een gebouw dat drijft") neemt en de eerste set blauwdrukken tekent, waarbij precies wordt gedefinieerd wat er moet worden gebouwd.
De Proposers (De Bouwers & Ingenieurs):
- Taak: Deze agents nemen het blauwdruk en proberen het bewijs te bouwen. Als ze tegen een muur lopen (een logische kloof), geven ze niet zomaar op. Ze gaan terug naar de "bibliotheek", vinden een nieuw gereedschap of een vergelijkbaar bouwontwerp (een stelling uit een leerboek) en proberen een andere constructiemethode.
- Analogie: Net als een team ingenieurs dat verschillende materialen en ontwerpen uitprobeert. Als een balk breekt, zeggen ze niet zomaar "het is onmogelijk"; ze controleren de bibliotheek op een sterkere staallegering en proberen het opnieuw.
De Verifiers (De Inspecteurs):
- Taak: Deze agents fungeren als strenge bouwinspecteurs. Ze bouwen niets; ze controleren alleen het werk. Ze zoeken naar scheuren in de logica, ontbrekende stappen of nepmaterialen. Als ze een fout vinden, sturen ze de bouwers terug om het te herstellen.
- Analogie: Net als een veiligheidsinspecteur die door het gebouw loopt, tegen de muren tikt en de blauwdrukken controleert. Als ze een gebrek vinden, geven ze een "repereer"-bon af, en moeten de bouwers het corrigeren voordat ze verder gaan.

Het "Gedeelde Notitieboek" (Gestructureerd Geheugen)

Een belangrijk onderdeel van RMA is dat iedereen een digitaal notitieboek (een gedeeld geheugen) deelt.

De Architect schrijft het blauwdruk.
De Bouwers voegen hun constructienotities en nieuwe ideeën toe.
De Inspecteurs schrijven hun kritieknotities.
Cruciaal: Niemand wist wat er eerder kwam. Ze voegen gewoon nieuwe pagina's toe. Dit betekent dat het team elke fout die ze maakten en elk gereedschap dat ze vonden, onthoudt, zodat ze geen fouten herhalen.

De "Fair Play"-Regels

Om ervoor te zorgen dat de AI niet cheat door het antwoord op te zoeken, heeft RMA een Fair Comparison Module.

Het fungeert als een strenge scheidsrechter die de deuren naar elke website die de oplossing zou kunnen hebben, op slot doet.
Het zorgt ervoor dat de AI alleen kijkt naar oude leerboeken en papers die zijn gepubliceerd voordat het probleem zelfs maar was bedacht, waardoor de AI wordt gedwongen om daadwerkelijk te denken en te ontdekken in plaats van gewoon te kopiëren en plakken.

De Resultaten: Heeft het gewerkt?

De onderzoekers testten RMA op de "First Proof"-benchmark, die bestaat uit 10 echte, onopgeloste wiskundige problemen bijgedragen door beroemde wiskundigen.

De Wedstrijd: Ze vergeleken RMA met andere top-AI-systemen, waaronder "GPT-5.2R" (van OpenAI) en "Aletheia" (van Google DeepMind).
De Uitkomst:
- Aletheia kon geen enkel probleem oplossen.
- GPT-5.2R loste 3 van de 10 op, maar maakte soms kleine logische fouten of gaf zwakkere antwoorden.
- RMA loste 8 van de 10 problemen op.
- Nog belangrijker: toen menselijke wiskundigen de bewijzen beoordeelden, zeiden ze dat de oplossingen van RMA logischer, duidelijker en betrouwbaarder waren dan die van de anderen.

De Conclusie

Het artikel beweert dat het oplossen van moeilijke wiskunde niet gaat om het hebben van een slimmere "hersenen" (een enkel krachtig AI-model); het gaat om het hebben van een beter proces. Door het werk op te breken in gespecialiseerde rollen (Architect, Bouwer, Inspecteur), hen een gedeeld notitieboek te geven en hen te dwingen hun werk herhaaldelijk te controleren, kan RMA problemen aanpakken die zelfs de slimste enkele AI niet aankan.

Het is het verschil tussen één persoon vragen om een huis alleen in het donker te bouwen versus een team inhuren met een blauwdruk, een bibliotheek en een veiligheidsinspecteur.

Technische Samenvatting: RMA – Een Agentic Systeem voor Wiskundige Problemen op Onderzoeksniveau

Probleemdefinitie

Huidige benchmarks voor wiskundig redeneren in kunstmatige intelligentie, zoals MATH of problemen van de Internationale Wiskunde Olympiade (IMO), zijn beperkt tot goed afgebakende wedstrijdvormige taken. Deze problemen laten doorgaans beknopte, zelfstandige oplossingen toe met behulp van bekende technieken en vereisen geen interactie met externe literatuur of de ontwikkeling van nieuwe bewijsstrategieën. Daarentegen vormen wiskundige problemen op onderzoeksniveau een kwalitatief ander uitdaging. Ze vereisen dat systemen gespecialiseerde definities interpreteren, aannames formaliseren, relevante eerdere resultaten uit een omvangrijke literatuur identificeren, effectieve bewijsstrategieën verkennen, tussenliggende lemma's construeren en lange ketens van rigoureus redeneren uitvoeren. Bestaande systemen voor formeel stellingbewijzen zijn vaak ongeschikt voor dit domein omdat ze volledig gespecificeerde problemen en vaste formele contexten veronderstellen, terwijl onderzoekswiskunde interactie vereist met ongestructureerde literatuur en constructieve technieken. Bovendien zijn bestaande agente onderzoekstools niet ontworpen voor het gestructureerde redeneren, het identificeren van gaten en de rigoureuze presentatie die voor wiskundige bewijzen vereist is.

Methodologie: Het RMA-kader

De auteurs stellen Research Math Agents (RMA) voor, een agentic kader dat specifiek is ontworpen voor geautomatiseerd redeneren over wiskundige problemen op onderzoeksniveau. RMA decomponeert het proces van het oplossen van bewijzen in gespecialiseerde modules en coördineert deze via een multi-agent, multi-rond workflow.

1. Modulair Ontwerp

RMA is gebaseerd op zes gespecialiseerde modules die worden geïmplementeerd als gestructureerde routines die worden uitgevoerd door CLI-gebaseerde coderingsagenten:

Probleemanalyse-module: Transformeert ruwe probleemstellingen in gestructureerde tussentijdse beschrijvingen door variabelen te formaliseren, problemen op te delen in subdoelen en beperkingen te extraheren. Dit vermindert ambiguïteit en leidt het daaropvolgende redeneren.
Literatuurzoekmodule: Haalt relevante eerdere werken op door kandidaat-query's te genereren op basis van de gestructureerde probleemrepresentatie in plaats van eenvoudige trefwoordmatching. Deze module omgaat met variabiliteit in wiskundige notatie tussen platformen (bijv. arXiv, MathSciNet) en hanteert een stap voor 'kandidaatgeneratie' om informatielekken uit bestaande oplossingen tijdens het ophalen te voorkomen.
Eerlijke Vergelijkingsmodule: Zorgt voor integriteit van de evaluatie door bronnen met bekende oplossingen te filteren, interactiegeschiedenis tussen runs te isoleren, toolgebruik te sandboxen en foundation-modellen te gebruiken met trainingssnijdaden die voorafgaan aan de release van de benchmark om datacontaminatie te voorkomen.
Literatuurbegrijpmodule: Verwerkt opgehaalde literatuur door kandidaat-lemma's en technieken te extraheren, deze te filteren op alignering met de aannames en doelen van het huidige probleem, en ze te organiseren in samenvattingen gegroepeerd per rol (bijv. ondersteunende subdoelen).
Kennisbank-module: Een 'spiekbrief'-stijl repository van beknopte, herbruikbare items (bijv. standaard ongelijkheden, combinatorische identiteiten) gecureerd uit canonieke handboeken. Deze items bevatten expliciete aannames en toepasbaarheidsvoorwaarden, waardoor het systeem standaardargumenten kan instantiëren en verifiëren zonder ze opnieuw af te leiden.
Bewijsgebod-module: Handhaaft een reeks regels om veelvoorkomende LLM-foutmodi te mitigeren, waaronder:
- Gronding: Claims moeten worden ondersteund door gevestigde resultaten of afleidingen.
- Getrouwheid: Toewijding aan de oorspronkelijke probleemstelling.
- Gatloos redeneren: Expliciete rechtvaardiging voor elke inferentie.
- Constructiviteit: Vereiste voor expliciete constructies waar nodig.
- Formaatcorrectheid: Schone, compileerbare LaTeX-uitvoer.

2. Multi-Agent en Multi-Rond Instantiatie

RMA operationaliseert deze modules via een systeem van rolgespecialiseerde agenten die interageren via een Gedeelde Gestructureerde Geheugen die op schijf wordt opgeslagen. Het systeem bestaat uit:

Initialisatie-agent (Enkele): Produceert het eerste bewijsconcept, vult het geheugen met probleemanalyse, literatuurcontext en herbruikbare kennis.
Proposeer-agenten ( $K_p$ ): Verfijnen het evoluerende bewijs door gaten te identificeren, relevante modules op te roepen en nieuwe argumenten te ontwikkelen. Ze hebben alleen schrijftoegang tot de bewijstoestand.
Verificatie-agenten ( $K_v$ ): Evalueren het huidige bewijs tegen de Bewijsgebod-module, controleren logische consistentie en identificeren ontbrekende stappen. Ze hebben alleen schrijftoegang tot de feedbacktoestand.

De workflow verloopt in $N$ rondes. In elke ronde genereren proposeerders kandidaatbewijzen die afhankelijk zijn van de huidige geheugentoestand, en verificatieagenten bieden gestructureerde feedback. Het gedeelde geheugen bevat de probleemtoestand, literatuurcontext, kennisitems, bewijstoestand en opgebouwde feedback. Lezen/schrijven-rechten worden strikt gecontroleerd om conflicten te voorkomen, waarbij alle updates worden aangevuld met agent- en rondidentificatoren.

Belangrijkste Bijdragen

RMA-kader: Het voorstellen van een agentic kader dat het oplossen van bewijzen op onderzoeksniveau decomponeert in domeinspecifieke modules (probleemanalyse, literatuurzoek, kennisopvraging en verificatie) terwijl het actief datacontaminatie voorkomt.
Multi-Agent, Multi-Rond Architectuur: De introductie van een systeem dat rollen decomponeert in proposeerders en verificatieagenten, waardoor iteratief redeneren, automatische verificatie en zelfverbetering mogelijk worden via gestructureerde interacties, wat de robuustheid verbetert ten opzichte van single-agent benaderingen.
Empirische Validatie: Rigoureuze expertverificatie die aantoont dat RMA sterkere baselines (inclusief GPT-5.2R en Aletheia) overtreft bij het oplossen van problemen op onderzoeksniveau. Het systeem bereikt hogere correctheidspercentages en produceert bewijzen die beter interpreteerbaar zijn en beter aligneren met menselijk wiskundig redeneren.
Ablatie-inzichten: Systematische studies die aantonen dat prestatiewinsten voortkomen uit de interactie van gestructureerde modules, iteratieve verfijning en feedback op basis van verificatie, en niet uit een enkel component.

Experimentele Resultaten

Het systeem werd geëvalueerd op de First Proof-benchmark, bestaande uit tien problemen op onderzoeksniveau bijgedragen door expertwiskundigen uit diverse domeinen (bijv. stochastische analyse, spectrale grafentheorie).

Correctheid: RMA slaagde er volgens expertoordeel in om 8 van de 10 problemen op te lossen. Dit presteert aanzienlijk beter dan sterke baselines: GPT-5.2R (3/10), Aletheia (5/10) en Agentic Researcher (3/10). Zoekverrijkte onderzoeksassistenten (GPT-DR, Gemini-DR) slaagden er niet in om volledig correcte oplossingen te produceren.
Kwaliteit: Bij fijnmazige evaluaties (Antwoordnauwkeurigheid, Logische Correctheid, Volledigheid, Duidelijkheid) behaalde RMA de hoogste scores op alle dimensies.
Paarwijze Vergelijking: Bij blinde paarwijze A-B-vergelijkingen eindigde RMA op de eerste plaats met een winpercentage van 0,75 tegen experts en 0,78 tegen LLM-evaluators, en presteerde beter dan alle baselines.
Ablatiestudies:
- Het verwijderen van de Probleemanalyse- of Kennisbank-module veroorzaakte ernstige prestatiedegradatie.
- Multi-agent redeneren presteerde aanzienlijk beter dan single-agent generatie en compute-gematchte 'best-of-N'-sampling.
- De prestaties piekten bij 5 redeneerrondes ( $N=5$ ); excessieve iteraties leidden tot degradatie.
- Het schalen van het aantal verificatieagenten ( $K_v$ ) en proposeerders ( $K_p$ ) verbeterde de prestaties tot een bepaald punt (3 agenten elk), waarna afnemende meerwaarde of lichte degradatie werd waargenomen.
- Gestructureerd geheugen (het behouden van geschiedenis over rondes heen) was cruciaal en presteerde beter dan stateless of 'alleen laatste ronde'-geheugendesigns.

Betekenis en Claims

Het artikel positioneert RMA als een door gebruik geïnspireerde vooruitgang in AI voor wetenschappelijke ontdekking. De auteurs beweren dat het kader aantoont dat agente ontwerpen een veelbelovende richting zijn om AI vooruit te helpen naar open-ended wiskundig redeneren.

Belangrijke kernpunten die door de auteurs worden benadrukt, zijn:

Voorbij Wedstrijdwiskunde: De verschuiving van het oplossen van wedstrijdproblemen naar het beoordelen van het vermogen van AI om bij te dragen aan wiskundige ontdekking vereist een andere architecturale aanpak, specifiek een die literatuurgronding en iteratieve verfijning integreert.
Interactie boven Componenten: De prestatiewinsten worden toegeschreven aan de interactie van gestructureerde redeneringsmodules, iteratieve verfijning en feedback op basis van verificatie, en niet aan de sterkte van een enkel component.
Mens in de Lus: Het systeem is ontworpen als een assistent om onderzoekers te helpen strategieën te verkennen en literatuur te organiseren, niet als een vervanging voor expertoordeel. De auteurs erkennen dat expertverificatie noodzakelijk blijft om aannames en citaten te valideren, aangezien LLM's nog steeds overtuigende maar onjuiste argumenten kunnen produceren.
Reproduceerbaarheid: Het modulaire ontwerp en de gedeelde geheugenstructuur maken het redeneerproces inspecteerbaar, waardoor gebruikers de oorsprong van claims en de flow van de bewijsconstructie kunnen auditeren.

De auteurs concluderen dat hoewel RMA een belangrijke stap voorwaarts is, het veld behoefte heeft aan verdere uitbreiding van benchmarks, analyse van de afweging tussen kosten en nauwkeurigheid, en transparante evaluatieprotocollen om het potentieel van AI in wiskundig onderzoek volledig te realiseren.