🤖 AI

RMA: an Agentic System for Research-Level Mathematical Problems

本文介绍了研究数学智能体（RMA），这是一种智能体框架，它通过采用多角色迭代工作流，将任务分解为文献奠基、证明生成和验证等专门模块，从而在研究级数学问题上超越了 GPT-5.2R 等强大基线模型。

原作者： Zelin Zhao, Bo Yuan, Jaemoo Choi, Yongxin Chen

发布于 2026-05-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Zelin Zhao, Bo Yuan, Jaemoo Choi, Yongxin Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图解决数学世界中一个全新的、尚未被破解的谜题。这不像高中教科书里的习题，答案就藏在书后，你只需遵循已知的步骤即可。相反，这更像是试图为一本尚未写成的字典撰写一个新章节。你必须发明规则、找到恰当的词汇、证明你的想法是正确的，同时还要确保没有无意中抄袭他人的成果。

本文介绍了RMA（研究数学智能体），这是一支专为攻克这些棘手、未解的数学谜题而设计的全新 AI“机器人”团队。

以下是 RMA 的工作原理，通过一个简单的类比来解释：

问题所在：“孤独的天才”与“研究团队”

以往的 AI 系统就像孤独的天才。它们擅长解决竞赛类数学问题（如国际数学奥林匹克竞赛），因为这些问题有已知答案和清晰的解题路径。然而，当面对真实、开放的研究数学问题时，它们常常陷入困境、编造事实（产生幻觉）或放弃。

RMA 改变了游戏规则，它像大学实验室里的专业研究团队一样运作。RMA 不再让一个机器人独自承担所有工作，而是将任务分解为结构化的团队协作。

RMA 团队：分工协作

将 RMA 想象为一支从零开始建造摩天大楼（即证明过程）的施工队。他们不只是靠猜测，而是遵循严格的工作流程，包含三个主要角色：

初始化器（建筑师）：
- 职责： 该智能体审视混乱、令人困惑的问题陈述，将其转化为清晰的蓝图。它将大问题分解为更小、更易管理的子目标。
- 类比： 就像建筑师将客户模糊的想法（“我想要一座漂浮的建筑”）转化为第一套蓝图，明确界定需要建造的具体内容。
提议者（建造者与工程师）：
- 职责： 这些智能体依据蓝图尝试构建证明。如果它们遇到障碍（逻辑缺口），它们不会轻易放弃。它们会回到“图书馆”，寻找新工具或类似的建筑设计（教科书中的定理），并尝试不同的构建方法。
- 类比： 就像一群工程师尝试不同的材料和设计。如果一根梁断裂，他们不会只说“不可能”，而是查阅图书馆寻找更坚固的钢合金，然后再次尝试。
验证者（检查员）：
- 职责： 这些智能体充当严格的建筑检查员。它们不构建任何东西，只负责检查工作。它们寻找逻辑裂缝、缺失的步骤或虚假的材料。如果发现错误，它们会将建造者送回修正。
- 类比： 就像安全检查员在建筑内巡视，敲击墙壁并检查蓝图。如果发现缺陷，他们会开具“整改”通知单，建造者必须在继续前进之前进行修正。

“共享笔记本”（结构化记忆）

RMA 的一个关键部分是所有人共享一本数字笔记本（共享记忆）。

建筑师写下蓝图。
建造者添加他们的施工笔记和新想法。
检查员写下他们的批评意见。
关键在于： 没有人会擦除之前的内容。他们只是添加新页面。这意味着团队记住了犯过的每一个错误和找到的每一个工具，从而避免重复错误。

“公平竞赛”规则

为了确保 AI 不会通过查阅答案作弊，RMA 设有一个公平比较模块。

它像一位严格的裁判，锁住任何可能包含答案的网站大门。
它确保 AI 只能查阅在该问题被提出之前就已出版的旧教科书和论文，迫使 AI 真正去思考和发现，而不是简单地复制粘贴。

结果：它奏效了吗？

研究人员在**“首次证明”**基准测试上对 RMA 进行了测试，该测试包含由著名数学家贡献的 10 道真实未解数学题。

竞争对手： 他们将 RMA 与其他顶级 AI 系统进行了比较，包括 OpenAI 的"GPT-5.2R"和 Google DeepMind 的"Aletheia"。
结果：
- Aletheia 未能解决任何问题。
- GPT-5.2R 解决了 10 题中的 3 题，但有时会犯小的逻辑错误或给出较弱的解答。
- RMA 解决了10 题中的 8 题。
- 更重要的是，当人类数学家审查这些证明时，他们表示 RMA 的解决方案比其他系统更具逻辑性、更清晰、更可信。

核心结论

该论文声称，解决高难度数学问题并非取决于拥有一个更聪明的“大脑”（单一强大的 AI 模型），而在于拥有一个更好的流程。通过将工作分解为专门的角色（建筑师、建造者、检查员），赋予他们共享的笔记本，并迫使他们反复检查工作，RMA 能够攻克即使是单个最聪明的 AI 也无法解决的问题。

这之间的区别在于：是要求一个人在黑暗中独自建造房屋，还是雇佣一支拥有蓝图、图书馆和安全检查员的团队。

技术摘要：RMA——面向研究级数学问题的智能体系统

问题定义

当前人工智能数学推理的基准测试（如 MATH 或国际数学奥林匹克 IMO 问题）局限于范围明确的竞赛式任务。这些问题通常允许使用已知技巧得出简洁、自包含的解，无需接触外部文献或开发新颖的证明策略。相比之下，研究级数学问题呈现出本质不同的挑战。它们要求系统能够解读专业定义、形式化假设、从浩瀚文献中识别相关既往成果、探索有效的证明策略、构建中间引理，并执行长链条的严格推理。现有的形式化定理证明系统往往难以适应这一领域，因为它们假设问题已完全明确且形式化上下文固定，而研究数学则要求与未结构化文献及构造性技术进行交互。此外，现有的智能体研究工具并非为数学证明所需的结构化推理、缺口识别及严谨表述而设计。

方法论：RMA 框架

作者提出了研究数学智能体（RMA），这是一个专为研究级数学问题自动化推理设计的智能体框架。RMA 将证明求解过程分解为专用模块，并通过多智能体、多轮工作流对其进行协调。

1. 模块化设计

RMA 基于六个专用模块构建，这些模块由基于 CLI 的编码智能体作为结构化例程执行：

问题分析模块：通过将变量形式化、将问题分解为子目标以及提取约束，将原始问题陈述转化为结构化的中间描述。这减少了歧义并指导后续推理。
文献检索模块：通过基于结构化问题表示生成候选查询（而非简单的关键词匹配）来检索相关既往工作。它处理不同平台（如 arXiv、MathSciNet）间数学符号的变异性，并采用“候选生成”步骤，以防止在检索过程中从现有解决方案中泄露信息。
公平比较模块：通过过滤包含已知解决方案的来源、隔离各次运行间的交互历史、沙箱化工具使用，以及利用训练截止日早于基准测试发布的基座模型，来确保评估的完整性，防止数据污染。
文献理解模块：处理检索到的文献，提取候选引理和技术，根据与当前问题假设和目标的对齐情况进行过滤，并按角色（例如支持子目标）将其组织成摘要。
知识库模块：一个类似“作弊条”的存储库，包含从标准教科书中精选的简洁、可重用条目（例如标准不等式、组合恒等式）。这些条目包含明确的假设和适用条件，允许系统实例化并验证标准论证，而无需重新推导。
证明命令模块：强制执行一套规则以减轻大语言模型（LLM）常见的失败模式，包括：
- - grounded（基于事实）*：主张必须由既定结果或推导支持。
- 忠实性：遵守原始问题陈述。
- 无缺口推理：对每个推论提供明确理由。
- 构造性：在必要时要求明确的构造。
- 格式正确性：干净、可编译的 LaTeX 输出。

2. 多智能体与多轮实例化

RMA 通过一个基于共享结构化内存（存储在磁盘上）的专用角色智能体交互系统来操作这些模块。该系统由以下部分组成：

初始化智能体（单个）：生成初始证明草稿，用问题分析、文献背景和可重用知识填充内存。
提议者智能体（ $K_p$ ）：通过识别缺口、调用相关模块以及开发新论证来完善不断演变的证明。它们仅对证明状态拥有写入权限。
验证者智能体（ $K_v$ ）：根据证明命令模块评估当前证明，检查逻辑一致性并识别缺失步骤。它们仅对反馈状态拥有写入权限。

工作流进行 $N$ 轮。在每一轮中，提议者基于当前内存状态生成候选证明，验证者提供结构化反馈。共享内存包含问题状态、文献背景、知识条目、证明状态以及累积的反馈。读写权限受到严格控制以防止冲突，所有更新均附加智能体和轮次标识符。

主要贡献

RMA 框架：提出了一种智能体框架，将研究级证明求解分解为特定领域模块（问题分析、文献检索、知识检索和验证），同时积极防止数据污染。
多智能体、多轮架构：引入了一种将角色分解为提议者和验证者的系统，通过结构化交互实现迭代推理、自动验证和自我改进，从而提高了相对于单智能体方法的鲁棒性。
实证验证：严格的专家验证表明，RMA 在解决研究级问题方面优于强大的基线模型（包括 GPT-5.2R 和 Aletheia）。该系统实现了更高的正确率，并生成了更具可解释性且更符合人类数学推理的证明。
消融实验洞察：系统研究表明，性能提升源于结构化模块、迭代优化和基于验证者的反馈之间的相互作用，而非任何单一组件。

实验结果

该系统在First Proof基准测试上进行了评估，该测试包含由来自不同领域（如随机分析、谱图理论）的专家数学家贡献的十个研究级问题。

正确性：根据专家判断，RMA 成功解决了10 个问题中的 8 个。这显著优于强大的基线模型：GPT-5.2R（3/10）、Aletheia（5/10）和 Agentic Researcher（3/10）。检索增强型研究助手（GPT-DR、Gemini-DR）未能产生任何完全正确的解决方案。
质量：在细粒度评估（答案准确性、逻辑正确性、完整性、清晰度）中，RMA 在所有维度上均取得了最高分数。
成对比较：在盲测成对 A-B 比较中，RMA 排名第一，相对于专家的胜率为 0.75，相对于 LLM 评估员的胜率为 0.78，优于所有基线。
消融研究：
- 移除问题分析或知识库模块会导致性能严重下降。
- 多智能体推理显著优于单智能体生成和计算量匹配的“最佳 N 选”采样。
- 性能在 5 轮推理（ $N=5$ ）时达到峰值；过多的迭代会导致性能下降。
- 增加验证者（ $K_v$ ）和提议者（ $K_p$ ）的数量可提高性能，但存在上限（各 3 个智能体），此后观察到收益递减或轻微下降。
- 结构化内存（跨轮次保留历史）至关重要，其表现优于无状态或“仅最后一轮”的内存设计。

意义与主张

该论文将 RMA 定位为受科学发现启发的 AI 进展。作者声称，该框架表明智能体设计是推动 AI 迈向开放式数学推理的一个有前景的方向。

作者强调的关键要点包括：

超越竞赛数学：从解决竞赛问题转向评估 AI 对数学发现的贡献能力，需要一种不同的架构方法，特别是需要整合文献基础和迭代优化。
交互优于组件：性能提升归因于结构化推理模块、迭代优化和基于验证者的反馈之间的相互作用，而非任何单一组件的强度。
人机协同：该系统被设计为帮助研究人员探索策略和组织文献的助手，而非替代专家判断。作者承认，专家验证对于验证假设和引用仍然是必要的，因为 LLM 仍可能产生具有说服力但错误的论证。
可复现性：模块化设计和共享内存结构使推理过程可检查，允许用户审计主张的来源和证明构建的流程。

作者总结道，虽然 RMA 代表了重大进步，但该领域仍需继续扩展基准测试、进行成本 - 准确性权衡分析以及建立透明的评估协议，以充分释放 AI 在数学研究中的潜力。