RMA：面向研究级数学问题的智能系统
研究数学智能体（RMA）是一个专为研究级数学问题设计的自动化推理框架，通过多代理协作和迭代优化，在First Proof基准上解决了10个问题中的8个，超越了GPT-5.2R和Aletheia等强基线。
文章情报
要点
- RMA将研究级证明求解分解为问题分析、文献搜索、公平比较、知识库构建和证明验证等专门模块。
- 采用初始化器、提出者和验证者三种智能体协同工作，通过共享结构化记忆进行多轮迭代。
- 在涵盖多个数学领域的First Proof基准上，RMA成功解决了8/10个问题，生成的证明更逻辑严谨且可读性强。
- 消融实验表明，性能提升源于结构化推理模块、迭代优化和验证器反馈的相互作用，而非单一组件。
为什么重要
这条新闻值得关注，因为RMA将研究级证明求解分解为问题分析、文献搜索、公平比较、知识库构建和证明验证等专门模块。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
近日，一项名为“研究数学智能体”（Research Math Agents, RMA）的框架在人工智能与数学交叉领域引起广泛关注。该框架由Zelin Zhao等四位研究者共同提出，论文于2026年5月20日提交至arXiv预印本平台。RMA旨在自动推理研究级数学问题，这类问题通常需要长期推理、文献支撑和迭代证明完善，远比竞赛数学或形式定理证明复杂。
与以往聚焦于竞赛数学或形式定理证明的研究不同，RMA专门针对研究级数学问题。它将证明求解过程分解为多个专门模块：问题分析模块负责理解问题核心；文献搜索与理解模块自动检索相关数学文献；公平比较模块确保不同方法间的公正对比；知识库构建模块积累领域知识；证明验证模块检查逻辑正确性。这些模块由三种智能体协调运作：初始化器（Initializer）设定初始方向，提出者（Proposer）生成候选证明，验证者（Verifier）评估证明质量。它们通过共享的结构化记忆进行多轮协作，不断优化候选证明。
RMA在First Proof基准上进行了全面评估。该基准由十位数学专家贡献了十个跨领域的研究级问题，涵盖代数学、数论、几何学、组合学等多个数学分支。经过专家评审，RMA成功解决了其中八个问题，表现优于GPT-5.2R和Aletheia等强基线模型。更重要的是，RMA生成的证明在逻辑严谨性和可读性方面均优于其他方法。
进一步的消融研究揭示，性能提升并非源于单一组件，而是结构化推理模块、迭代优化过程和验证器反馈相互作用的综合结果。研究团队表示，将在论文被正式接收后公开发布相关解决方案和实现代码，以促进AI在高级数学研究中的应用。
这一成果为AI在高级数学研究中的应用开辟了新路径，展示了智能体系统在复杂推理任务中的巨大潜力。RMA的成功表明，通过模块化设计和多智能体协作，AI可以逐步攻克需要深度推理的科研难题，未来可能对数学发现和自动化推理产生深远影响。