夜雨聆风一道题，GPT-5.5试了8次，7次都错。
更离谱的是，每一次它都给出了一份看起来无懈可击的证明。
真正的答案摆在那里，它偏偏视而不见，直到一个从不下班、从不失忆的「监工」出现。
AI一本正经，把错误证明成了「真理」
这道题叫「Zigzagging Chessboard」（之字形棋盘），出自MathArena Apex 2025基准测试第2题，源头是Turkey TST 2025 P5。
Apex基准有多难？它是从2025年近百场公开数学竞赛里，专门挑出的12道让前沿模型集体翻车的题目。挑选时，当时最强的模型平均正确率不到5%。
MathArena团队在分析里点出一个现象：模型一旦得到一个答案，哪怕是错的，也会拼命去证明它对，很少回头看看还有没有更好的解法。
Zigzagging Chessboard正是活生生的例子。正确答案是k=1/2，但GPT-5.5跑了8次，只对了1次。剩下7次，它全都锁死在同一个次优构造上，算出k=3/4，然后一本正经地把这个错误答案"自洽"地论证了一遍，逻辑链条环环相扣，读起来毫无破绽,可结论就是错的。
这类错误有个名字，叫幻觉累积：中间某一步论证看似合理，实则站不住脚，模型却带着满满的自信把它传递到下一步，一路走到一个漂亮却彻底错误的终点。
监工出手：一句"这个界是假的"，逼AI推倒重来
清华大学、微软研究院（MSR）、纽约大学（NYU）和麻省理工学院（MIT）的联合团队，最近发布了一个叫STAR-PólyaMath的多智能体框架。团队自己是这么描述这套系统的：
"a persistent 'Meta-Strategist' that watches over reasoning, catches errors, and forces replanning when agents spiral into dead ends"
「一个持久的"元策略师"，监督推理过程、捕捉错误，并在智能体陷入死胡同时强制重新规划。」
测这道题的时候，他们的第一版系统，差点掉进了跟GPT-5.5一模一样的坑里。
系统里的"验证者"（Verifier）在关键的第4步反复提出质疑,"推理者"（Reasoner）连续三次都没能在限定时间内给出有效回应。眼看又要卡死在同一个错误方向上。
这时候，持久元策略师（Meta-Strategist）介入了。
这道题它已经打过交道，记得此前每一次尝试、每一次失败、每一次验证者的质疑。汇总完整段历史后，它做出一个关键判断：这个界压根是错的，根本不只是暂时没证明出来。
于是它动用了唯一属于自己的权力：批准重新规划（Re-plan），同时明确禁止系统再往那个方向走。
系统被迫从头再来。这一次，它发现了一个更密集的4×4构造模式，写代码验证了6234个多边形，最终把证明彻底闭合，答案，正是k=1/2。
论文里管这个过程叫"持久跨尝试记忆"（persistent cross-attempt memory）。说白了就是：它把一个"还没证明"的模糊状态，推进到"必须放弃"的明确判断。这一步，恰恰是GPT-5.5没有走出来的那一步。
▲ 机器之心官方推文：持久"元策略师"监督推理过程、捕捉错误，在智能体陷入死胡同时强制重新规划；秘诀在于智能的编排，而非模型多样性。
这支队伍：一位清华博士生、一位微软首席研究员，还有一位1945年的数学家
论文第一作者是吴嘉骜，清华大学人工智能学院T-STAR Lab的一年级博士生，研究方向是大模型推理与智能体系统。
通讯作者是微软亚洲研究院首席研究员张宪，以及清华大学人工智能学院助理教授董胤蓬。其余合作者来自纽约大学与MIT。清华T-STAR Lab长期聚焦AI基础理论、AI安全、智能体与空间智能，目标是理解大模型的内在机理，发展安全可靠的AI理论方法。
论文2026年5月19日提交到arXiv，题目是《STAR-PólyaMath: Multi-Agent Reasoning under Persistent Meta-Strategic Supervision》。名字里的"Pólya"，指向的是数学家George Pólya，1945年那本影响了几代数学教育者的《How to Solve It》。
Pólya提出解题分四步：理解问题、制定计划、执行计划、回顾反思。前三步，现在的大模型基本都能做。真正稀缺的，恰恰是第四步，回过头去检查解法、判断方向对不对、决定是继续深挖还是推倒重来。
论文团队给出的判断是：前沿模型不缺知识，也不缺能力，缺的是这种"持久的元级监督"。人类高手卡壳时会下意识地做这件事，模型却做不到。
▲ arXiv论文页面：清华大学、微软研究院、纽约大学、MIT四家机构联合署名，摘要明确指出增益来自框架编排而非模型多样性。
当前最强的AI，卡在了哪三个坑里
论文把长程数学推理的失败归结为三种系统性问题：
第一，幻觉累积。中间一步论证错了，但看起来合理，模型会自信地把它当基础继续往下叠，最后堆出一个精致却错误的结论，Zigzagging Chessboard就是活例子。
第二，记忆碎片化。多次尝试之后，模型要么上下文爆炸装不下，要么干脆重置会话。结果是，同一个已经被证明走不通的方向,系统还会反反复复再试一遍。
第三，推理与工具的失衡。代码执行结果可靠，却容易掩盖数学结构本身；纯自然语言擅长把握结构，处理大规模构造又力不从心。模型没有一个机制，能判断"这一步该用代码算，还是该静下来想数学"。
这三个坑,恰好对应着人类数学高手最擅长的三件事：知道哪一步靠谱，记得哪条路走过，判断什么时候该换工具。
三个AI分饰三角,一个"永不失忆"
STAR-PólyaMath的解法，是在模型外面架一层没有推理能力的Python编排器，它不负责思考,只负责调度,像一个只按流程表办事的管理员。这个编排器驱动一个显式的状态机,把解题过程切成探索、规划、逐步执行、验证四个阶段,层层嵌套着"挑战-执行-重新规划"的循环。
三个角色跑在同一个基座模型上（比如GPT-5.5的xhigh推理强度）,通过不同的角色设定和独立会话区分开:
推理者（Reasoner）：主力选手。负责探索思路、提出计划、执行每一步,在被质疑时"据理力争"。
验证者（Verifier）：严格的审查员。设了两道关卡，一道防止解题方向偏离目标本身,另一道按"已验证/易验证/难验证"的标签分级审查每一步逻辑。输出只有四种：接受、质疑、回溯、提议重新规划。
元策略师（Meta-Strategist）：整套系统里唯一贯穿全程、从不重置的角色。它记得这道题所有尝试过的路、犯过的错、被验证者挑战过的地方。系统卡住时,它可以下达强制指令，比如禁止调用代码,逼系统回到纯数学推理。而批准重新规划的权力,只属于它一个人。
犯错之后怎么办？系统设计了"回溯"（Trace-Back）：把错误精确定位到源头的那一步,存档中间过程,但保留已经验证过的正确部分，不用推倒重来,只需要修补出问题的那一环。
而"探索"阶段的存在,让不少简单题在真正进入复杂的验证流程前就被短路解决了，很多AIME题目就是这么快速拿下的。
▲ 论文HTML全文：作者列表确认吴嘉骜（清华）、张宪（微软研究院）、Hanzhang Liu（NYU）、Sophia Zhang（MIT）、Fan Yang（微软研究院）、董胤蓬（清华）。
八大竞赛全部拿下,最大优势碾压13.5个百分点
结果是实打实的。STAR-PólyaMath在全部8个顶级竞赛基准上都拿到了当前最优成绩：
AIME 2025、AIME 2026、Putnam 2025、HMMT 2026 February，全部满分。IMO 2025拿到88.69%,USAMO 2026拿到99.40%,MathArena Apex Shortlist拿到94.27%。
最陡的一次超越出现在MathArena Apex 2025上，那12道让前沿模型集体翻车的题目。STAR-PólyaMath拿到93.75%,而当时最强的基线GPT-5.5只有80.21%。差距是13.54个百分点。
要知道,Apex基准本身的门槛是"稳定无法解出",挑选时最强模型的平均正确率都不到5%。在这样的题目上拉开13.5个百分点,分量完全不一样。
运行时间上也有取舍：简单的AIME题目平均8到10分钟就能出结果,大多在探索阶段就短路解决了；难度拉满的Apex和IMO题目,单题动辄要跑55分钟以上,元策略师平均每题要介入1.6到2.2次。这是一套用时间换正确率的打法,论文自己也承认,这在追求"必须做对"的场景里是可以接受的代价。
换成更强的模型,成绩反而更差
真正让这篇论文站住脚的,是一组消融实验的结果，而且这组结果有点反直觉。
研究团队把trace-back和re-plan机制去掉之后再测，证明类的基准(IMO、Putnam)崩得最惨。跨步骤的错误恢复能力,对付这类需要严密逻辑链条的题目最关键。
去掉元策略师,或者只留它介入但不给它持久记忆，同样是在IMO这类难题上摔得最狠。也就是说,跨尝试的记忆积累,比单次孤立的"救场"重要得多。
去掉推理者"据理力争"的辩护机制，Putnam的分数明显下滑。
最有意思的是backbone替换实验:把统一的GPT-5.5换成混合模型组合,或者换成更弱的基座，成绩全都不如"统一GPT-5.5+完整框架"这个组合。
这意味着什么？STAR-PólyaMath的增益，靠的不只是"多找几个模型互相打配合"，真正起作用的，是那套编排协议本身。同一个模型,套上这层监督结构,表现能有质的飞跃；换更贵更强的模型,如果没有这层结构,反而不如前者。
编排,胜过了规模和多样性，这大概是这篇论文里最值得记住的判断。
STAR-PólyaMath已经在GitHub上完全开源,仓库里能看到完整的编排器代码、状态机逻辑、三个角色的prompt设定,以及跑通AIME、Putnam这些基准的示例输出。目前仓库有17颗星、5个fork，规模不大,但代码、prompt和运行记录都是公开透明的,任何人都能拉下来复现。
▲ GitHub仓库README：完整的Python编排器、三智能体角色说明、快速上手命令均已公开。
这套打法,能用在数学之外吗
论文特意强调了一点：这套框架不依赖数学题目的特殊性质。
它真正依赖的,是四样东西，可验证的子步骤、结构化的审查、跨尝试的记忆、以及站在更高层面的元监督。这套组合,理论上适用于任何需要长时间探索、允许中途回溯的任务。
写代码是个现成的类比：生成代码、跑测试、调试这个循环,完全可以结构化成一个带"重新规划"的状态机，当元策略师判断问题出在整个架构方向上,而非某个局部bug,它就能要求推倒重写,不必让系统在同一个错误架构里反复缝缝补补。
科学研究也是类似逻辑：假设由推理者提出,实验或模拟结果由验证者审查,元策略师综合多轮失败之后,判断到底是该修正实验方法,还是该推翻底层假设。文献综述、证明起草、系统设计,原则上都能受益于这条经验，别在已经确认走不通的死路上反复打磨。
局限还在,但缺失的那块拼图找到了
论文没有回避局限。计算成本和墙钟时间都不低,难题动辄要跑将近一小时；验证环节目前仍然主要依赖自然语言判断,还没有接入Lean这类形式化证明工具；好几个基准已经逼近100%的满分,想继续验证框架的能力,得往更开放、更前沿的研究级数学问题上走。
但抛开这些,STAR-PólyaMath真正示范的一件事是:让AI变强,不一定要换更贵的模型,也不一定要凑更多智能体互相讨论。有时候,只是需要一双不打瞌睡、不会失忆的眼睛,在它就要一头扎进死胡同的那一刻,轻轻拍一下肩膀,说一句，
这条路,走不通,回头吧。
