Eureka: Task-Conditioned Meta-Agent Orchestration for Scientific Discovery
作者: Alizer Wong, Heng Cui, Yi Tan, Xiongchao Zhan, Liang Lin, Yuxiang Guo, Zhaorong Dai, Zixin Zeng, Wenyuan Li
分类: cs.AI, math.NT
发布日期: 2026-08-19
备注: 62 pages, 1 figure
💡 一句话要点
提出Eureka以解决科学发现中的任务调度问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 任务调度 Meta-Agent 科学发现 动态义务图 递归规划 局部架构更新 智能代理 量子过程
📋 核心要点
- 现有方法在处理长时间跨度的科学任务时缺乏有效的调度和动态适应能力，导致效率低下。
- Eureka通过构建动态义务图和宏代理，利用递归规划和架构演化来优化任务执行过程，提升了任务处理能力。
- 实验结果显示，Eureka在170个递归任务中表现出色，生成的证书无错误接受，且显著减少了输入大小和重复计算。
📝 摘要（中文）
我们提出了Eureka，一个任务条件的Meta-Agent架构，能够将长时间跨度的任务编译为具有明确接受语义的动态义务图。在执行过程中，Eureka通过递归规划、架构提升和最小充分编译形成具有专门状态、记忆、操作符、工具、验证器和局部拓扑的宏代理。当瓶颈重复出现时，成本效益门控演化在约束下更新局部架构。理论上，我们建立了关于遗憾、规划失效、摊销、子树接口、可序列化性和验证的结果。实验中，Eureka成功完成170个递归任务，生成3948个证书且没有错误接受。活跃上下文将输入中位数从9490压缩至4005个标记；增量处理避免了在12000个任务中65.38%的重复计算；16000个并发执行保持一致的序列化。相同的Meta-Agent实例化了理论发现代理和数学/猜想代理，前者在量子过程和时空理论中产生结构性结果，后者识别了黎曼假设研究中的瓶颈，并推进了铃木局部Weil二次型的正性证书。
🔬 方法详解
问题定义：本论文旨在解决科学发现中的长时间跨度任务调度问题，现有方法在处理复杂任务时往往效率低下，无法动态适应变化的需求。
核心思路：Eureka的核心思路是通过构建动态义务图和宏代理，利用递归规划和架构演化来优化任务执行过程，从而提高科学任务的处理效率和准确性。
技术框架：Eureka的整体架构包括任务编译模块、宏代理生成模块、动态义务图构建模块和局部架构更新模块。任务首先被编译为动态义务图，然后通过宏代理执行，最后在遇到瓶颈时更新局部架构以适应新的任务需求。
关键创新：Eureka的主要创新在于其动态义务图的构建和宏代理的形成，这使得系统能够在执行过程中根据任务的认知结构进行自我调整，与传统方法相比，具有更强的适应性和效率。
关键设计：在设计中，Eureka采用了成本效益门控演化机制来更新局部架构，并通过活跃上下文压缩输入数据，显著减少了计算负担。
🖼️ 关键图片
📊 实验亮点
Eureka在实验中成功完成了170个递归任务，生成3948个证书且没有错误接受。通过活跃上下文，输入中位数从9490个标记压缩至4005个，增量处理避免了65.38%的重复计算，显示出显著的性能提升。
🎯 应用场景
Eureka的研究成果在科学发现、复杂系统建模和自动化推理等领域具有广泛的应用潜力。其动态任务调度能力可以用于优化科学研究中的数据分析和实验设计，提高研究效率和成果质量。未来，Eureka可能推动更多领域的智能代理系统发展，助力科学探索和技术创新。
📄 摘要（原文）
We present Eureka, a task-conditioned Meta-Agent architecture that compiles long-horizon tasks into dynamic obligation graphs with explicit acceptance semantics. During execution, Eureka forms Macro-Agents with specialized state, memory, operators, tools, verifiers, and local topology via receding-horizon planning, architecture promotion, and minimal-sufficient compilation. When bottlenecks recur, cost-benefit-gated evolution updates the local architecture under constraints. Theoretically, we establish results on regret, planning invalidation, amortization, subtree interfaces, serializability, and verification. Experimentally, Eureka completes 170/170 recursive tasks and generates 3,948 certificates with no false acceptances. Active context compresses median input from 9,490 to 4,005 tokens; incremental processing avoids 65.38% recomputation across 12,000 tasks; 16,000 concurrent executions serialize consistently. The same Meta-Agent instantiates a Theory-Discovery Agent and a Math/Conjecture Agent. The former yields structural results in quantum-process and spacetime theory. The latter identifies bottlenecks in Riemann Hypothesis research and advances a positivity certificate for Suzuki's localized Weil quadratic form to 0 < a <= 69/200 = 0.345, reaching ~99.55% of (log 2)/2. These results suggest that scientific-agent capability depends not only on the base model but on whether an architecture can be formed to match the task's cognitive structure.