تیم ۱۰۰۰ ایجنتی Claude Fable 5.2 و اثبات رسمی قضیهٔ آخر فرما
خلاصهٔ کاملتر
تیم آنتروپیک تو این پست یه آزمایش رو تعریف میکنه: ۱۰۰۰ ایجنت با نسخهٔ اولیهٔ Claude Fable 5.2 اثبات رسمی قضیهٔ آخر فرما رو بازسازی کردن. «رسمی» یعنی هر قدم اثبات تو Lean نوشته شده (زبانی که کامپیوتر هر مرحلهٔ اثبات رو توش چک میکنه). سپتامبر، چند ده ایجنت با کمک پلتفرم Prove2Me و هدایت یه محقق این کارو تو ۱۱ روز و با حدود ۶ میلیارد توکن خروجی کرده بودن. این بار تیم بدون اینا تو ۲۸.۷ ساعت تموم کرد، با یکسوم توکن و اثباتی که یکهفتم طول قبلی بود.
ابزار هر ایجنت ساده بود: یه shell و ویرایشگر فایل تو سندباکس خودش بدون اینترنت، ابزارهای Lean و Mathlib، یه برنچ Git اختصاصی برای فرستادن merge request به main و یه دیتابیس Postgres مشترک. وقتی همهٔ ایجنتها روی یه ماشین بودن، از حدود ۱۰۰ ایجنت به بعد حافظه و CPU کم میومد؛ برای همین هر ایجنت یه VM سبک گرفت. SQL هم راه هماهنگی شد، چون تراکنشهاش نوشتن همزمان ۱۰۰۰ ایجنت رو مدیریت میکنه و Claude هم باهاش آشناست. تنها ساختاری که بهشون داده شد یه lead بود و ۹۹۹ helper.
lead تو ۱۰ دقیقهٔ اول پنج جدول ساخت: announce برای دستورها، assign برای تقسیم کار، notes برای گزارش، subtasks برای لیست کارها و landed برای کارهای تمومشده. helperها اول ۴۷ تا از ۶۰ گزاره رو تو این بودجه غیرممکن دونستن، ولی تیم ۱۰ تای باقیمونده رو تو حدود ۷۰ دقیقه اثبات کرد و lead رفت سراغ همون گزارههای سخت. کمکم helperها خودشون تسک تعریف میکردن؛ تا ساعت ۵.۶، تعداد ۷۳ helper در مجموع ۷۵۶ تسک نوشته بودن.
سختترین قسمت Langlands–Tunnell بود، یه نتیجهٔ کلاسیک که اثبات Wiles بهش تکیه داره. کاپیتانش شانس تمومشدنش تو زمان رو زیر ۱ درصد تخمین زده بود. lead حدود ۷۵۰ helper رو روش گذاشت و تیم کار رو به شکل درخت شکست: هر تکهای که برای یه ایجنت زیادی بزرگ بود، به تکههای کوچیکتر تقسیم میشد. درخت به ۲۴۱۸ تسک تا عمق ۱۰ رسید و چون هر تکه میتونست تکههای زیرش رو فرض بگیره، صدها helper موازی کار کردن. این گزاره ساعت ۲۸.۴ و قضیهٔ نهایی ساعت ۲۸.۷ ثابت شد.
بخش مهم پست امنیته. ایجنتها ابزار پیامرسانی نداشتن، فقط به برنچ خودشون push میکردن، هر کوئری SQL محدودیت ۵ ثانیه داشت و کرنل سندباکس بدون loadable modules و kexec و تو lockdown mode اجرا میشد. یه classifier مبتنی بر LLM هر tool call رو قبل از اجرا چک میکرد؛ بلاکشدن lead کل اجرا رو متوقف میکرد و بلاکشدن یه helper فقط همون رو حذف میکرد. از بیش از یه میلیون tool call هیچکدوم بلاک نشد. یه مانیتور آفلاین هم کارها رو بعداً بررسی میکرد و بعد از این اجرا یه مانیتور دیگه که chain of thought ایجنتها رو هم میبینه اضافه شد.
نویسندهها میگن این نتیجه نیاز به پلتفرمهای تخصصی مثل Prove2Me رو از بین نمیبره، چون مثلاً کامپایل Lean رو سریعتر میکنن. یه نکتهٔ جالب دیگه اینه که ایجنتها زود ناامید میشن و سختی کار رو اشتباه تخمین میزنن؛ پس تشویق یه آدم تو لحظههای حساس هنوز بهدرد میخوره.
نکات کلیدی:
- ۱۰۰۰ ایجنت با نسخهٔ اولیهٔ Claude Fable 5.2 اثبات قضیهٔ آخر فرما رو تو ۲۸.۷ ساعت بازسازی کردن.
- نسبت به اثبات سپتامبر، یکسوم توکن خروجی مصرف شد و اثبات یکهفتم طول قبلی بود.
- هماهنگی فقط از طریق Git و یه دیتابیس Postgres مشترک بود و lead خودش پنج جدول برای مدیریت کار ساخت.
- گزارهٔ Langlands–Tunnell با درختی از ۲۴۱۸ تسک تا عمق ۱۰ و حدود ۷۵۰ helper اثبات شد.
- از بیش از یه میلیون tool call، هیچکدوم توسط classifier امنیتی بلاک نشد.




