Anthropic详述1,000个Fable 5.2智能体如何复现费马大定理的形式化证明

Anthropic称，一支由1,000个运行早期版本Claude Fable 5.2的智能体组成的团队，用28.7小时复现了费马大定理的Lean形式化证明。Anthropic将此称为一次玩具实验。去年9月，数十个智能体在一个内部模型上完成了该形式化工作；该模型大致相当于Fable 5.1，再加上一位研究人员的指导，耗时11天，生成约60亿个输出 token。Anthropic称，这次新运行使用的输出 token 只有之前的三分之一，生成的证明长度只有七分之一，而且没有使用Prove2Me平台，也没有研究人员指挥。

设置。 每个智能体都在自己的轻量级虚拟机中拥有 shell 和文件编辑器，无法访问网络；虚拟机配备Lean和Mathlib，每个智能体有自己的Git分支，可向main提交合并请求，并可使用共享的Postgres数据库。Anthropic给团队安排了60条待证明的命题、一句话概述的经典证明思路、所需定义，以及此前工作中已证明的47条引理；团队由1名负责人和999名助手组成。Anthropic称，它没有就如何组织工作提供其他指导。

智能体的行动。 Anthropic称，负责人在最初10分钟内为任务、分配、笔记、子任务和已完成工作创建了5张数据库表。早期，助手们认为60条命题中有47条无法在预算内完成；负责人先把它们搁置，随后在前10条命题于约70分钟内证明后，又重新处理这些命题。大约在第18小时，负责人将约750名助手转去攻克Langlands–Tunnell问题；该问题的负责人此前估计按时完成的概率不到1%。助手们将其拆分为一棵包含2,418项任务、最多10层深的任务树，并在第28.4小时完成证明，最终定理则于第28.7小时完成。

安全控制。 Anthropic称，除了沙箱环境外，每条 shell 命令和每次文件编辑在执行前都会由一个经过提示的分类器检查；如果有操作被拦截，整个团队就会暂停，等待人工审核，同时还有一个离线监控器审查团队的行动。Anthropic称，超过100万次工具调用中，没有一次达到拦截标准。这次运行只使用了基于行动的监控器；不久之后，Anthropic又添加了一个也会读取思维链和智能体间通信的监控器。Anthropic指出，它会在尚未完成发布前对齐评估的模型上进行此类实验。

注意事项。 Anthropic称，这一结果并不意味着可以不再需要Prove2Me这类特定领域平台；智能体往往会过早放弃难题，也会误判题目难度，因此人工鼓励仍可能有所帮助。