夜雨聆风一道数学竞赛题，GPT-5.5独立做了8遍，只对了1次。
剩下7次，它全都一头扎进同一个错误方向，还越写越自信，把一个错误的答案包装得天衣无缝。
清华大学、微软研究院、纽约大学和MIT联合团队的论文里，记录的就是这组真实实验数据。他们给这个"死不悔改"的毛病，开了一剂药方，一个会在AI犯浑时站出来打断它的旁观者角色。
结果，同一个基座模型，装上这套系统后，在八大顶级数学竞赛基准上全部刷到世界最优，其中AIME、Putnam、HMMT三项拿到满分。
一道题，AI反复栽进同一个坑
先说那道要命的题。
题目改编自Turkey TST 2025 P5，研究者叫它"Zigzagging Chessboard"（之字棋盘），本质是求一个关于多边形边界方格计数的最优常数k。正确答案是k = 1/2。
GPT-5.5用最高推理强度（xhigh）独立跑了8次，只蒙对1次。剩下的7次里，模型几乎每次都很快锁定同一种"chain-of-pluses"（连加号链）构造方式，据此推出一个通用上界k = 3/4，然后开始给这个错误答案找补论证，把整个推导写得逻辑自洽、有理有据。
这套推导从根上就错了，只是包装得像模像样。
这恰恰戳中了当前最强大语言模型的软肋。论文摘要这样写道：
"Existing systems continue to suffer from fundamental reliability issues: hallucination accumulation, memory fragmentation, and imbalanced reasoning-tool trade-offs."
「现有系统仍然受制于根本性的可靠性问题：幻觉在推理链条中不断累积、记忆碎片化导致失败教训无法沉淀，以及推理与工具调用之间失衡的取舍。」
模型会顺着一条看似合理的路线不停打补丁、加论证，写出局部自洽甚至相当有说服力的推导；但它缺一个机制去判断眼前这条路只是死胡同，不值得再打磨下去。人类高手卡在难题上时，能凭经验判断"现在缺的是技术细节，还是整个思路从一开始就错了"，然后果断推倒重来。AI恰恰缺这份元认知。
清华、微软、纽约大学、MIT开出的药方
针对这个顽疾，清华大学人工智能学院一年级博士生吴嘉骜（Jiaao Wu）牵头，联合微软亚洲研究院首席研究员张宪（Xian Zhang）、清华大学助理教授董胤蓬（Yinpeng Dong）、纽约大学的刘汉章（Hanzhang Liu）、MIT的张苏菲亚（Sophia Zhang）以及微软研究院的杨帆（Fan Yang），提出了一套名为STAR-PólyaMath的多智能体框架。
▲ 机器之心在X上的发布：「AI能否在不陷入死循环的情况下解决最难的数学问题？」清华、微软研究院、纽约大学和MIT提出STAR-PólyaMath，配图为持久元策略师监督下的四阶段系统工作流。
名字里的"Pólya"，致敬的是数学教育家George Pólya那本经典的《How to Solve It》（1945）。Pólya总结过人类解题的四步元语言：理解问题→制定计划→执行计划→回顾。前三步，现有的AI推理系统多少都能模仿；唯独最后一步"回顾"，那种知道自己卡在哪、该在何时推倒重来的能力，一直没被真正结构化实现过。
STAR-PólyaMath干的，就是这件事。它把"回顾"这个动作，交给一个贯穿全程、拒绝失忆的角色。
拆开这套系统：一个不会推理的"包工头"，加三个会推理的"打工人"
整套系统由一个没有推理能力的Python Orchestrator（编排器）统筹调度，底下管着三个LLM角色。GitHub项目页是这么描述的：
"STAR-PólyaMath couples a Python orchestrator with three LLM agents ， a Reasoner, a Verifier, and a persistent Meta-Strategist ， running on top of the GitHub Copilot CLI."
「STAR-PólyaMath将一个Python编排器与三个LLM智能体绑定在一起，一个推理者、一个验证者，以及一个持久的元策略师，运行在GitHub Copilot CLI之上。」
具体分工是这样的：
Reasoner（推理者）是主力选手。探索阶段负责枚举小案例、找规律、打草稿；规划阶段把问题拆成6到10个编号步骤；执行阶段一步步产出结果，并在被挑战时负责辩护。
Verifier（验证者）是独立的严格审查官，自己不记跨步的账，专门挑毛病。它有两道关卡：Goal Gate检查这一步有没有真正完成它声称的目标（防止"悄悄换了个问题来做"），Logic Gate则按证据强度分级审查，代码跑出来的结果照单全收（标记为[verified]），简单计算简单核实（[easy-verify]），复杂的数学论证则要逐字逐句严审（[hard-verify]）。两边意见不合，还能展开最多5轮的结构化辩论。
Meta-Strategist（元策略师）才是真正的杀手锏。它是全程唯一一个从问题开始到结束都不换会话、不丢记忆的角色。它记得每一次失败的尝试、每一条被放弃的思路、每一种反复出现的死循环模式。一旦Reasoner超时或陷入僵局，它就出面给出高层战略指导，极端情况下甚至会强制Reasoner切换到"纯推理模式"、禁止调用代码；最终它还要在Continue（继续）、Trace-Back（回溯）、Approve-Replan（批准重新规划）和Abort（放弃）之间做裁决。
论文原文形容这个设计的目的：
"So the system can escape unproductive loops rather than stagnate or over-rely on tools."
「这样系统就能跳出低效循环，避免原地停滞，也避免过度依赖工具蛮力搜索。」
▲ arXiv论文页面：作者横跨清华大学、微软研究院、纽约大学与MIT四家机构，摘要明确指出增益来自框架编排而非模型多样性。
回到那道要命的题：元策师怎么把AI从坑里拽出来
前面提到的Zigzagging Chessboard问题，STAR-PólyaMath的第一版计划（Plan v1）其实也一头栽了进去，同样锁死在那个"chain-of-pluses"构造上。
Verifier在第4步发起挑战，Reasoner连续三次超时，局部回溯也没能救回来。
这时候，持久的Meta-Strategist发挥作用了。它把三次失败的记录汇总在自己的会话记忆里，做出一个关键诊断：这个上界从根子上就错了，压根谈不上"尚待证明"。它随即下达Approve-Replan指令，并且明确禁止后续任何方向再锚定3/4这个数字，也不许重复使用那套构造方式。
被逼着另起炉灶后，新一轮探索发现了一种更密集的4×4结构模式，比率正在向1/2靠拢。团队用代码在6234个简单连通多边形上验证了一个关键的cap-map论证（a3 ≤ a1 + 2a2，标记[verified]），最终确认了正确答案：k = 1/2。
这就是持久元策师的价值所在，它把"接连失败"这件事，从一堆散乱的挫折，转化成一条结构化的知识："这个方向本身就是错的"，然后死死摁住系统，不让它在同一个错误吸引子里空转。
横扫八大基准：同一个模型，换个"管理方式"就起飞
标准配置下（三个角色全部用GPT-5.5，推理强度拉满），STAR-PólyaMath在八个顶级竞赛基准上全部拿到已知最优成绩：
AIME 2025：100% MathArena Apex Shortlist：94.27% - MathArena Apex 2025：93.75%
（对比同基座GPT-5.5裸跑的80.21%，提升13.54个百分点，是所有基准里差距最大的一项） Putnam 2025：100% IMO 2025：88.69 AIME 2026：100% HMMT February 2026：100% USAMO 2026：99.40
Apex 2025由ETH Zurich等机构维护，专挑那些让前沿模型"稳定翻车"的2025年真实竞赛题，12道题此前平均正确率一度不到5%。能在这个基准上把裸模型甩开13.5个百分点，说明这套系统真正对症下药的地方，是"聪明的模型不知道自己什么时候该认输"这件事本身。
▲ 机器之心报道原文提出的核心问题：被一道数学竞赛题卡住时，高手能准确判断"现在缺的是技术细节，还是整个思路从一开始就走错了"，而这正是当前大模型最欠缺的元认知能力。
消融实验：真正起作用的，是"编排"本身
团队用相对便宜的All GPT-5.2(h)配置跑了消融实验（四次平均），拆解出几个关键结论：
去掉trace-back和re-plan机制，IMO 2025的成绩从75%骤降到33.33%，Putnam和Apex也大幅跳水，跨步骤的错误恢复能力，是整套系统里最核心的机制。
彻底移除Meta-Strategist，性能全面崩溃。
去掉"持久"这个属性（改成每次都开新会话），IMO 2025的成绩甚至比完全没有Meta-Strategist还差，没有记忆支撑的临时干预，反而成了噪音。
不让Reasoner反驳Verifier，Putnam成绩从91.67%跌到75%。
换掉底层模型的实验同样耐人寻味：把三个角色换成Claude Opus 4.7或GPT-5.2，或者Reasoner/Verifier用一个模型、Meta用另一个模型混搭，结果都不如统一用GPT-5.5，但依然远远超过对应的裸模型基线。这证明了论文反复强调的那句话：
"The secret: smart orchestration, not model diversity."
「秘诀在于智能的编排，而非模型多样性。」
运行时间上也有意思的分野：AIME这类题平均8分钟就能在探索阶段解决，几乎不触发Meta-Strategist；而Apex、IMO这类高难题平均要跑55分钟以上，每道题Meta-Strategist要出手干预1.6到2.2次。
代价与边界：好处是真金白银换来的
好处很实在，代价也不小。多角色多轮调用意味着算力成本高，难题的wall-clock时间能拖到几个小时，token消耗量巨大，这套系统更适合看重正确性、不计较速度的场景。
而且它的验证手段目前主要靠自然语言加Python代码，没有接入Lean这类形式化证明后端。那些标记为[hard-verify]的复杂数学论证，最终审核质量还是取决于Verifier这个LLM角色本身的能力上限。
另外一个现实是，多个基准已经被刷到99%以上甚至满分，天花板肉眼可见。研究者也坦言，未来的试金石应该是那些没有标准答案、需要连续数天保持新颖思路的开放性研究级数学问题。
数学只是起点
论文和报道都反复点出同一个判断：前沿大模型早就有足够的知识储备，真正拖住它们的是harness（框架）设计和结构化思考方式。STAR-PólyaMath的核心，可验证的子步骤、结构化的检验、跨尝试记忆、高层监督、经验指导，本身并不依赖数学这个学科的特殊性。
团队设想的迁移方向包括：代码生成里的"生成-测试-调试"循环，同样可以结构化成带回溯的状态机，让Meta-Strategist在反复失败后判断架构方向本身有没有错、要不要推倒重写；科学发现场景里，Reasoner负责提出假设和实验设计，Verifier审查实验结果，Meta负责综合判断"该改方法，还是该改底层假设"。
更重要的是，整个项目已经完全开源，prompt、skills、配置、运行脚本一应俱全，任何团队都能拿去复用这套编排协议。
▲ GitHub仓库README写明：项目将Python编排器与Reasoner、Verifier、持久Meta-Strategist三个智能体绑定，运行在GitHub Copilot CLI之上，任何人都能复现。
那道被GPT-5.5反复做错的题，最后靠一个"不许再犯同一个错"的持久监督者被纠了回来。这背后藏着一个更大的判断：算力和知识，前沿模型早就够用了，真正稀缺的是那份知道自己"该认输、该重来"的分寸感。
而这份分寸感，现在第一次被写成了代码。
