该论文研究一个定义在 N×N 棋盘上的单人 token 游戏：token 可以沿对角线滑动，或复制到相邻格子上，最终目标是拼出一个组合矩形 R×S。作者指出，游戏中存在一个守恒的整数权重 W'，外加一个严格的单调量（monovariant），因此任意解的长度上界为 O(N^2)，这意味着该游戏的可解性问题落在 NP 之内。论文的核心理论结果是：当游戏走到终局位置时，这一过程等价于把 2N 比特的整数 W' 分解为两个 N 比特因子 V、M（均小于 2^N），而这两个因子恰好编码了目标矩形的行数与列数。因此，对平衡半素数（balanced semiprime）目标而言，求解该游戏与整数分解问题等价。 作者进一步证明，如果目标矩形已经预先知道，求解过程会退化为两个多项式时间步骤：第一步是被强制的向下 chip-flow（筹码流），第二步是借助 Cohn 定理完成的 0/1 多项式因式分解。也就是说，游戏的全部计算难度被完全隔离在最初那一步『数论意义上的分裂』上，其余部分都是高效可解的。为了把搜索空间压到可实验的规模，作者把两个因子的 popcount（汉明重量）作为 promise 提供给求解器——这一做法保持了问题的渐近难度，同时显著限制了可行的目标集合。随后，作者在这个受限空间中训练策略/价值网络，并配合 AlphaZero 风格的蒙特卡洛树搜索进行实验，实证性地考察神经前瞻（neural look-ahead）在『分解等价』环境中的能力边界。 论文的主要贡献在于：给出一个可复现、可实验的分解等价玩具问题，清晰拆解了该问题的难度来源（数论分裂 vs. 组合流动），并首次把学习型搜索与 MCTS 引入这一环境，为研究学习算法与数论难题之间的关系提供了新的实验平台。