Image with text "Accelerating discovery with Antigravity's /teamwork" 用 Antigravity 的 /teamwork 推进科学与工程

2026年11月13日

Vahab Mirrokni,Google 院士、Google Research 副总裁

我们分享 Antigravity 的 /teamwork 多智能体系统的最新成果,该系统增强人机协作,以解决数学、化学、系统软件和机器学习工程中的开放问题。所有这些工作均与人类专家合作完成,我们正将这些工具对外开放。

快速链接

过去几周里,Google 各团队与学术合作机构共同攻克了数学、科学和复杂系统工程中多年来悬而未决的开放问题。借助 Gemini 4 Argon, Gemini 4 Carbon, Gemini 4 Hydrogen 以及诸如 Antigravity 的 /teamwork (基于多种 Gemini 模型构建)等多智能体工作流,这些合作在信息论、形式化验证、分子结构发现和内核优化方面产生了新的创新成果,同时也在 Google 内部带来了多项生产基础设施方面的改进。我们正在 Antigravity 的 /teamwork 中提供这些智能体工具(与 /boost 及其他智能体),以便研究者和开发者能将其应用于自己的工作。

前沿研究与系统工程需要遍历海量文献、构建定制计算流水线、对照物理测量进行测试,并验证每一个步骤。进展来自一个交互式发现循环:研究者提出问题并定义理论或物理约束,而长时程智能体则编写定制求解器、探索大规模搜索空间、测试候选设计,并检查长链条的逻辑。

扩展长时程推理

当前语言模型的两项局限促成了 /teamwork 的设计. 首先,模型生成可能不可预测,从而在单次尝试与找到正确答案之间留下差距。系统通过将并行探索与专门的证伪器(例如 Lean 4 证明检查器、未经修改的软件测试套件、执行模拟器、网络搜索或硬件计数器)来自动验证哪些候选解决方案有效。

其次,AI 模型在多日任务中常常会丢失细节,因为注意力会分散在不断增长的上下文窗口中。为防止这一点,/teamwork 通过构造来划分上下文:每个专用智能体只接收其特定步骤所需的精确文件和工具。协调者将任务移交给全新的后继者,而批评者和审计者则在干净的上下文中质疑并验证结果,而不带有原始产出者的推理。

Teamwork 将这些工作流表达为声明式、可自我改进的自然语言模式,并将每个用户提示动态路由到最适合该任务模式。这些模式涵盖从分布式编码和迭代式问题求解(作为 /boost 独立打包,这是一个从先前轨迹中提炼出的顺序求解与验证循环)到诸如长证明和文档审查等专门研究工作流,所有这些目前均可在 Antigravity 中使用。这使团队能够根据过去的运行记录设计自定义规范,在不同 harness 模式之间进行路由,并动态改进智能体 harness。虽然其中许多功能已在 Antigravity 中可用,但我们将在未来几周内提供更多更新,向 Antigravity 上的外部用户提供所有功能。继我们 关于 Antigravity /teamwork 的先前文章之后,我们提供由 /teamwork 新变体和 Gemini 4 模型赋能、针对开放挑战的新结果。

数学与理论计算机科学

在数学和理论计算机科学领域,研究人员与 Gemini 4 和 /teamwork harness 配合,协作进行大规模证明,并直接从开放问题陈述中生成完整的算法和证明。我们展示几个示例。

证明并验证 Courtade–Kumar 猜想

来自Google、 香港中文大学(CUHK), 南加州大学(USC)以及 卡内基梅隆大学(CMU) 的研究人员使用了 /teamwork 的 长证明模式 (实现了 Stellar Colosseum (在 Antigravity 中)来 证明 信息论的 2013 年 Courtade–Kumar 猜想 在完全一般性下成立。该结果证实,当随机比特串通过噪声信道时,将输入压缩为单个比特的任何压缩方式所保留的信息都不超过“独裁函数”,即仅复制单个输入比特的函数。Gemini 首先找到了反例,反驳了 CUHK 团队 早先论文中提出的一个广义猜想。随后,CUHK 团队提出了一个新的候选函数,将该猜想归结为一个 14 变量优化问题,并给出了一个关键的分析下界。Gemini 4 Argon 及更早的 Gemini 模型随后划分了参数空间,并推导出了大部分新的分析界和区间算术证书。它们还在无人工输入的情况下将证明从平衡函数扩展到了非平衡函数。该团队在 Lean 4 中形式化了整个证明,生成了 5000 万行代码。

解决优化、统计、量子计算和算法中的开放问题

研究人员还直接向 Gemini 4 以及 Stellar Colosseum 和 /teamwork 等多智能体 harness 提出了开放问题,并收到了端到端算法和证明(通常附带 Lean 4 形式化),作者对其进行了验证、简化和编辑以供发表。在自适应数据分析中,一个运行在 Gemini 4 Argon 上的多智能体 harness 独立证明并通过 Lean 验证了 近乎最优的样本界 ,适用于根据先前答案自适应选择的统计查询,填补了自 2014 年以来一直悬而未决的空白。这些界产生了首个 近乎空间最优的算法 ,适用于同时包含插入和删除的数据流,并且面对自适应对手时仍保持准确。在量子计算中,一项新构造 解决了一个 2014 年的开放问题 ,找到了首个 比特布尔函数,在常数误差下需要严格多于 n/2 次量子查询,同时精确确定了对称函数上的查询开销。若干结果打破了处理和压缩大型矩阵与图方面的长期障碍。五十年来,直到 STOC 2024,用于布尔矩阵乘法和三角形检测的组合算法(避开快速矩阵乘法的代数消去)相较于立方时间仅节省了对数因子。一项新的比特布尔函数,在常数误差下需要严格多于 /2 次量子查询,同时精确确定了对称函数上的查询开销。若干结果打破了处理和压缩大型矩阵与图方面的长期障碍。五十年来,直到 STOC 2024,用于布尔矩阵乘法和三角形检测的组合算法(避开快速矩阵乘法的代数消去)相较于立方时间仅节省了对数因子。一项新的确定性算法解决了 STOC 2024 的主要开放问题在常数误差下需要超过 n/2 次量子查询,同时精确确定了对称函数上的查询开销。

若干结果打破了处理和压缩大型矩阵与图方面的长期障碍。五十年来,直到 STOC 2024用于布尔矩阵乘法和三角形检测的组合算法(避开快速矩阵乘法的代数消去) 布尔矩阵乘法与三角形检测 (避开快速矩阵乘法的代数消去)相较于立方时间仅节省了对数因子。一项新的确定性算法解决了 STOC 2024 的主要开放问题,实现了其相对于立方时间的目标加速。在高维几何中,一个 新的下界 解决了一个 开放问题 在稀疏网络上,证明了将所有两两距离近似到 个点之间在任意常数因子范围内,即使允许额外的 Steiner 点和任意多的跳数,也可能需要多项式级别多于 n 条边。在随机线性代数中,堆叠稀疏草图解决了一个 2025 年的开放问题,打破了将矩阵压缩到线性维度而不使 r 维子空间任何方向坍缩的经典稀疏性障碍,每行只需 √log r 个非零元(比保持所有长度所需的 log r 平方级更少),并几乎匹配一个 在任意常数因子范围内,可能需要多项式级别多于 条边,即使允许额外的 Steiner 点和任意多的跳数。在随机线性代数中,堆叠稀疏草图解决了一个 2025 年的开放问题,打破了将矩阵压缩到线性维度而不使 r 维子空间任何方向坍缩的经典稀疏性障碍,每行只需 √log r 个非零元(比保持所有长度所需的 log r 平方级更少),并几乎匹配一个新的下界。对于动态边权插入下的加权图 条边,即使允许额外的 Steiner 点和任意多的跳数。 Steiner 点 以及任意多跳。在随机线性代数中, 堆叠稀疏草图 解决一个 2025 年开放问题 打破了将矩阵压缩到线性维度而不使任何方向坍缩的经典稀疏性障碍, 维子空间,每行只需 √log r 个非零元(比保持所有长度所需的 log r 平方级更少),并几乎匹配一个新的下界。对于动态边权插入和删除下的加权图,Stellar Colosseum 解决了 FOCS 2022 遗留的一个开放问题,开发出首个单遍流式割稀疏化算法,同时实现接近最优的内存、更新时间和重建时间。我们的结果还涵盖优化维子空间,每行只需 √log r 个非零元 个非零元(比保持所有长度所需的 log r 平方级更少),并几乎匹配一个新的下界。对于动态边权插入和删除下的加权图,Stellar Colosseum 解决了 FOCS 2022 遗留的一个开放问题,开发出首个单遍流式割稀疏化算法,同时实现接近最优的内存、更新时间和重建时间。我们的结果还涵盖优化、算术、数据结构和统计 每行非零元数量(比 log 的平方级更少) 所需的 log r)并几乎匹配一个新的下界。对于动态边权插入和删除下的加权图,Stellar Colosseum 解决了 FOCS 2022 遗留的一个开放问题,开发出首个单遍流式割稀疏化算法,同时实现接近最优的内存、更新时间和重建时间。我们的结果还涵盖优化、算术、数据结构和统计。在优化方面,解决了一个关于 (为保持所有长度所需),并几乎匹配一个新的下界。对于动态边权插入和删除下的加权图,Stellar Colosseum 解决了 FOCS 2022,开发出首个单遍流式算法,用于 割稀疏化 同时实现接近最优的内存、更新时间和重建时间。

我们的结果还涵盖优化、算术、数据结构和统计。在优化方面,解决了一个 开放问题 关于 在线逆线性优化 (根据随时间做出的决策推断专家的隐藏目标),该方法给出了一种确定性算法,在实现最优遗憾界的同时,将运行时间从随维度指数增长降至多项式时间。对于 位整数乘法,多智能体行动将理论图灵机界简化到 n log n 以下,而另一项工作则在单个二维网格上给出了一种新的 O(n log n) 算法,其 C 实现与 GNU 多精度算术库(GMP)在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的双端队列猜想(即自调整伸展树能否在两端处理插入和删除,在 c位 整数乘法,多智能体行动将理论图灵机界简化到以下 同时。我们的结果还涵盖优化、算术、数据结构和统计。在优化方面,针对在线逆线性优化(根据随时间做出的决策推断专家的隐藏目标)的一个开放问题,该方法给出了一种确定性算法,在实现最优遗憾界的同时,将运行时间从随维度指数增长降至多项式时间。对于 n 位整数乘法,多智能体行动将理论图灵机界简化到低于 n,而另一项工作则在单个二维网格上给出了一种新的 O(n log n) 算法,其 C 实现与 GNU 多精度算术库(GMP)在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的双端队列猜想(即自调整伸展树能否在两端处理插入和删除,在常数摊还时间内)上取得了重大进展,证明了每次操作开销的一个新上界,同时优于以往 ,而另一项工作则在单个二维网格上给出了一种新的 O(n log n) 算法,其 C 实现与 GNU 多精度算术库(GMP)在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的双端队列猜想(即自调整伸展树能否在两端处理插入和删除,在常数摊还时间内)上取得了重大进展,证明了每次操作开销的一个新上界,同时优于以往,而另一项工作则给出了一种新的 O(n log n)算法,其 C 实现与 GNU 多精度算术库(GMP)在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的双端队列猜想(即自调整伸展树能否在两端以常数摊还时间处理插入和删除)上取得了重大进展,证明了每次操作开销的一个新上界,同时优于所有有限次迭代的逆阿克曼函数 日志 在两端处理插入和删除,在 c位 整数乘法,多智能体行动将理论图灵机界简化到以下 同时。我们的结果还涵盖优化、算术、数据结构和统计。在优化方面,针对在线逆线性优化(根据随时间做出的决策推断专家的隐藏目标)的一个开放问题,该方法给出了一种确定性算法,在实现最优遗憾界的同时,将运行时间从随维度指数增长降至多项式时间。对于 n 位整数乘法,多智能体行动将理论图灵机界简化到低于 n,而另一项工作则在单个二维网格上给出了一种新的 O(n log n) 算法,其 C 实现与 GNU 多精度算术库(GMP)在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的双端队列猜想(即自调整伸展树能否在两端处理插入和删除,在常数摊还时间内)上取得了重大进展,证明了每次操作开销的一个新上界,同时优于以往 ,而另一项工作则在单个二维网格上给出了一种新的 O(n log n) 算法,其 C 实现与 GNU 多精度算术库(GMP)在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的双端队列猜想(即自调整伸展树能否在两端处理插入和删除,在常数摊还时间内)上取得了重大进展,证明了每次操作开销的一个新上界,同时优于以往,而另一项工作则给出了一种新的 O(n log n)算法,其 C 实现与 GNU 多精度算术库(GMP)在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的双端队列猜想(即自调整伸展树能否在两端以常数摊还时间处理插入和删除)上取得了重大进展,证明了每次操作开销的一个新上界,同时优于所有有限次迭代的逆阿克曼函数 日志)算法,其 C 实现与 GNU 多精度算术库(GMP) 在高达十亿位时逐位一致。在数据结构方面,另一项结果在 Tarjan 1985 年的 双端队列猜想 (即自调整伸展树能否在两端以常数摊还时间处理插入和删除),证明了 每次操作开销的一个新上界,同时优于所有有限次迭代的逆阿克曼函数,并已在 Lean 4 中验证。最后,在高维统计中,该方法证明了近似留一交叉验证(无需从头重新拟合模型)对于弹性网络等非光滑稀疏惩罚仍然保持准确。扩展形式化验证与稿件评审规模人工检查计算机辅助稿件给同行评审者带来了沉重负担,而微妙的 每次操作开销的一个新上界,同时优于所有有限次迭代的 逆阿克曼 函数, 并已在 Lean 4 中验证最后,在高维统计中,该方法证明了近似留一交叉验证(无需从头重新拟合模型)对于弹性网络等非光滑稀疏惩罚仍然保持准确。 证明 近似留一交叉验证(无需从头重新拟合模型)对于弹性网络等非光滑稀疏惩罚仍然保持准确。 近似留一交叉验证(无需从头重新拟合模型)对于弹性网络等非光滑稀疏惩罚仍然保持准确。 弹性网络.

扩大形式化验证与稿件评审的规模

人工检查计算机辅助稿件给同行评审者带来了沉重负担,而微妙的缺陷可能隐藏在冗长的计算之中。在 Lean 4 中将数学形式化,会把证明转化为由计算机内核逐行检查的代码。一旦人类数学家确认形式化定理陈述与原始问题相符,该证明只有在每一步逻辑都成立时才能编译通过。

数学中许多最深层的开放问题,决定着物理波如何传播、动力系统如何演化,以及多项式方程是否有整数解。我们的多智能体框架直接从非形式化证明出发, LEAP与 Google Cloud AI 的同事共同开发,并与 Argon 配合,已在上述核心领域取得进展。

值得注意的是,/teamwork-LEAP 完全自主地生成了一个端到端、经机器检查的形式化,针对的是 韦伊猜想这一里程碑式成果——关于有限域上多项式方程解计数的研究——最终汇聚于 皮埃尔·德利涅的1974年证明。这一形式化工作横跨约180万行Lean代码,由28,800次子代理调用生成。该系统还合成了超过919,000行Lean代码,以完成对近期一项证明的首个形式化,该证明涉及 希尔伯特第十问题 在一般整数环上。它还独立复现了近期一个关于有限时间爆破的证明的端到端形式化,该证明针对的是 三维纳维-斯托克斯方程 ,并采用平滑强制,属于七个 千禧年大奖难题 并已开放约90年。

伯克霍夫猜想,一个自1927年以来悬而未决的动力系统问题。此外,它还首次形式化了三维博赫纳–里斯猜想,这是调和分析中一个悬而未决50多年的核心问题,并在此过程中发现并修复了最近发布的一份非形式化证明中的一处漏洞。其他经机器验证的突破包括解决了三维及更高维无限调和函数的C¹正则性问题(一个悬而未决约20年的问题),形式化了Killip和Vişan的 伯克霍夫猜想,一个自1927年以来悬而未决的动力系统问题。此外,它还首次形式化了 三维博赫纳–里斯猜想这是调和分析中一个悬而未决50多年的核心问题,并在此过程中发现并修复了最近发布的一份非形式化证明中的一处漏洞。其他经机器验证的突破包括解决了 无限调和函数的C¹正则性 三维及更高维(一个悬而未决约20年的问题),形式化了Killip和Vişan的定理,即 KdV 水波方程在 H⁻¹ 中是适定的 并验证了加州大学洛杉矶分校(UCLA)研究小组关于已有40年历史的Jamison毛毛虫猜想、Ağırseven-Ollis猜想以及Erdős问题#1063改进上界的三项非形式化证明。

最后,我们提供了 深度评审 供另一场CS会议的作者使用:在 STOC 2027,578份投稿的作者(占全部投稿的三分之一以上)选择接收Deep Review对其草稿的反馈。在一项正在进行的作者调查中(N = 70),90%的受访者认为反馈基本或几乎全部属实,90%表示他们会再次使用该工具。超过30%的人表示Deep Review发现了实质性的证明错误或数学上重要的笔误,14%的人表示它发现了需要超过一小时才能修复的技术缺口。受访作者分享道:“这类工具可以帮助更快地产出更清晰、更精确的研究”,并且DeepReview为科学发现提供了安心保障。我们每周为用户提供两次免费的Deep Review调用。 深度评审 也以 /teamwork 的形式实现。 文档评审模式 并可在 Antigravity 中使用。在我们的近期博客文章中了解更多关于 DeepReview 的信息。 近期博客文章.

分子化学发现

除了形式化证明之外,将专门的生成器智能体与独立的验证器智能体配对,还能在实验实验室科学中实现发现工作流。

从实验核磁共振数据确定分子结构是化学中最难的谜题之一。例如,在HIV蛋白酶抑制剂中,一个错位的化学键就会使一个无活性的相似物与药物区分开来。通过使用/teamwork将30个专门智能体组织成一个带有物理信息谱模拟器的自我纠正循环,我们在复杂基准分子上实现了95%的top-1精确匹配和100%的top-3准确率,几乎是单智能体性能的两倍。除了教会Gemini对结构进行推理之外,这还为 核磁共振 数据是化学中最难的谜题之一。例如,在 HIV蛋白酶抑制剂,一个错位的化学键就能将无活性的相似物与药物区分开来。通过使用 /teamwork 将 30 个专门智能体组织成一个带有物理信息谱模拟器的自我纠正循环,我们在复杂基准分子上实现了 95% 的 top-1 精确匹配和 100% 的 top-3 准确率,几乎是单智能体性能的两倍。除了教会 Gemini 对结构进行推理之外,这还为正在进行的关于 3D 蛋白质和复杂结构动力学的研究奠定了基础。

除了这个例子之外,包括核聚变和量子算法应用在内的科学问题 在 Gemini 4 博客文章中有所报道 得益于 /teamwork 和 Argon 模型。

生成因果推断基准

我们还应用了类似的多轮审计工作流来构建实证基准。从数据匿名化等五项人工指定的验收标准出发,29个智能体在Argon上运行11.5小时,将13张公开表转化为一个包含50项任务的因果推断基准。在这些任务中,模型必须判断一个 因果效应 能够被识别,并对照已知答案对其进行评估。在初步检查之后,独立的审查员和审计员智能体会发现走捷径的行为,标记措辞提示,并否决虚构的脚本,将每一项都转化为永久性测试。自动化这项高度依赖人工的任务生成工作,能够提供帮助 Gemini 回答反事实“假设”问题所需的难题。

编码与系统工程

当与网络基准测试、游戏引擎、未经修改的测试套件和硬件计时器等客观评估器配合使用时,/teamwork 活动可以执行多日的软件和硬件工程项目。

分布式系统

使用 /teamwork 和 Argon,我们构建了 FarArray,一个低延迟的内核旁路 分区全局地址空间 基于 SNAP 微内核基于 FarArray 构建的应用包括无锁 连通分量其规模可扩展至万亿条边的图,相比 TCP 键值存储,吞吐量提升 60 倍至 90 倍,速度提升 40 倍至 180 倍,同时 RAM 占用降低 6 倍。同样, InstantEmbedding (个性化 PageRank)相比加速的 MapReduce 实现,将峰值 DRAM 降低最多 14 倍,运行时间缩短 11 倍至 27 倍。团队还使用 /teamwork 和 Argon 为图神经网络创建自定义 TPU 内核,带来最高 185 倍的 高带宽内存 前向和反向传播实现了 8 倍至 15 倍的加速。更多细节可在我们近期的 Antigravity 博客文章中查阅。 近期的 Antigravity 博客文章.

自主爬山

为了测试长周期自主优化,Argon 上的爬山团队从基础的 AlphaZero 实现出发,从零训练了一个 9x9 的围棋引擎。 围棋引擎 从零开始,基于一个基础的 AlphaZero 实现。人类研究者设定芯片分配和评估设置,而测试框架则运行自主活动,以实现更快的自我对弈(达到 2,300 倍加速)和更快的 Elo 读数,仅通过对锁定记录进行统计测试来严格选拔冠军。在不到八天的时间里,该引擎获得了约 2,600 Elo,达到 1,885 Elo,位列于 KataGo 每步16次和32次访问。

播放静音循环视频 暂停静音循环视频 取消视频静音 将视频静音

(黑方)以及网络进行 Elo 爬山时的起始点(白方)。最终冠军以 22.5 分获胜(面积计分,贴目 7.5)。这是该职位唯一进行的一局比赛。(黑方))以及网络进行 Elo 爬山时的起始点(白方)。最终冠军以 22.5 分获胜(面积计分,贴目 7.5)。这是该职位唯一进行的一局比赛。

内存安全的 Rust 重写、/boost 以及 TPU 内核优化

当智能体把依赖替换成桩代码,或修改测试让有问题的移植通过时,大型代码迁移就会失败。一种新的 /teamwork 重写模式(即将在 Antigravity 中提供)通过以下方式解决了这个问题:只有在某个模块的依赖项编译通过后,才调度该模块,并将每个叶子模块与原始、未经修改的测试套件进行链接。在“ Zircon 微内核,为期两周的 Argon 活动重写了剩余的 C++ 代码,新增约 80 万行安全 Rust 代码,这些代码通过了所有内核单元测试,并能在 arm64 硬件上启动。/teamwork 还重写了 libgav1,将 Google 的 AV1 视频解码器从 C++ 重写为约 17 万行 Rust,在广泛的一致性测试套件上实现了 100% 位精确一致。最初,该移植版本比原始 C++ 代码慢约 4 倍。然而,在向 /teamwork 提供性能分析工具并赋予其在示例视频片段上最大化速度的任务后,Rust 移植版本在 x86_64 和 ARM 上均比原始 C++ 和手工优化的汇编代码快 20-30%。

对于日常编码任务,Antigravity /boost 命令包 /teamwork 的 迭代式编码模式一项长期运行的 /teamwork 活动分析了过去运行轨迹,发现紧耦合代码最好通过顺序实现和修订阶段来处理,而不是并行拆分,从而提升了编码任务上的 /boost。这是一个 harness 为 token 效率优化另一个 harness 的例子。

对于机器学习系统,对自定义 JAX 和 Pallas TPU 内核进行完整的硬件评估需要 7 到 32 分钟,这限制了先前的优化智能体能够探索的候选方案数量。使用 /teamwork 的 DuoDiscover 在 Argon 上的模式中,四个并行智能体识别出性能瓶颈,并构建了快速、耗时 23 秒的代理评估器,称为“标尺”(yardsticks)。这些标尺会生成候选排序,并通过定期使用 Kendall 秩相关在 17 个 JAXBench 内核上,DuoDiscover 相较参考实现取得 4.09 倍的几何平均加速;在 7 个针对前沿开放权重模型手工优化的 vLLM TPU-Inference Pallas 内核上,取得 2.99 倍的几何平均加速。

Google 基础设施应用

我们还将 /teamwork 和 /boost 应用于 Google 众多生产基础设施和硬件建模问题。示例包括:

  • 全机群内存优化: 在 最初的 Argon 内存优化工作,我们分析了全机群指标以及内部内存节省的历史成功案例,并创建了可复用的 /teamwork 工作流,识别出内存节省机会,超过了我们最初 1 PiB 的节省估计。我们还部署了人在回路的内存效率监控智能体,利用消除结构体填充、标量收窄、悬崖跳转、外提和带标签指针等技术,实现了额外的内存节省。
  • Borg 智能体调度: 基于 /teamwork 和 /boost 构建的 Borg 调度优化智能体工作流成功上线了 2 项变更,使部分硬件类型上的 TPU 工作负载抢占率降低了 24%,同时保持了工作负载 SLO 和集群利用率。

向研究和开发者社区开放这些工具

外部科学家和开发者可以在 Antigravity 和 Deep Review 中使用 Gemini 4 模型配合 /teamwork 和 /boost。 深度评审 今天。我们还开放了 申请 为1万名学术研究者提供为期六个月的最高用量档免费访问权限。即将推出的更新将把我们的形式化证明模式和更多专用工作流引入 Antigravity。这些功能将配套发布深度教程,发布在 Antigravity 博客 在未来几周内,确保开发者和研究者拥有生成、检查并迭代优化自定义多智能体团队所需的资源。我们很高兴将我们的工具(以及我们的模型)提供给所有人使用。

致谢

Antigravity 的 /teamwork 功能是 Google 全公司范围努力的成果,众多贡献者参与其中,并持续进行探索。贡献者包括:Yuan Deng、Honghao Lin[279eb3]、Jieming Mao[279eb3]、Vahab Mirrokni[279eb3]、Vishnu Veeramachaneni[279eb3]、David Woodruff[279eb3]、Song Zuo[279eb3]、Shubham Agarwal、Santiago Balseiro、MohammadHossein Bateni、Mohsen Bayati、Garrett Bingham、Guy Blelloch、Douglas Chen、Vincent Cohen-Addad、Piaoyang Cui、Tulsee Doshi、Eric First、Michael Galkin、Elena Gribelyuk、Anupam Gupta、Guru Guruganesh、Mike Heddes、Patrick Heisel、Iman Hosseini、Kevin Hou、Lalit Jain、Adel Javanmard、Rajesh Jayaram、Xiaoen Ju、Po-N、Honghao Lin[279eb3]、Jieming Mao[279eb3]、Vahab Mirrokni、Vishnu Veeramachaneni[279eb3]、David Woodruff[279eb3]、Song Zuo[279eb3]、Shubham Agarwal、Santiago Balseiro、MohammadHossein Bateni、Mohsen Bayati、Garrett Bingham、Guy Blelloch、Douglas Chen、Vincent Cohen-Addad、Piaoyang Cui、Tulsee Doshi、Eric First、Michael Galkin、Elena Gribelyuk、Anupam Gupta、Guru Guruganesh、Mike Heddes、Patrick Heisel、Iman Hosseini、Kevin Hou、Lalit Jain、Adel Javanmard、Rajesh Jayaram、Xiaoen Ju、Po-Nien Kung、Silvio Lattanzi、Samuel Lavoie、Chun-Liang Li、Matthew L, Vishnu Veeramachaneni、Honghao Lin[279eb3]、Jieming Mao[279eb3]、Vahab Mirrokni[279eb3]、Vishnu Veeramachaneni, David Woodruff[279eb3], Song Zuo、Honghao Lin[279eb3]、Jieming Mao[279eb3]、Vahab Mirrokni[279eb3]、Vishnu Veeramachaneni[279eb3]、David Woodruff[279eb3]、Song Zuo、Shubham Agarwal、Santiago Balseiro、MohammadHossein Bateni、Mohsen Bayati、Garrett Bingham、Guy Blelloch、Douglas Chen、Vincent Cohen-Addad、Piaoyang Cui、Tulsee Doshi、Eric First、Michael Galkin、Elena Gribelyuk、Anupam Gupta、Guru Guruganesh、Mike Heddes、Patrick Heisel、Iman Hosseini、Kevin Hou、Lalit Jain、Adel Javanmard、Rajesh Jayaram、Xiaoen Ju、Po-Nien Kung、Silvio Lattanzi、Samuel Lavoie、Chun-Liang Li、Matthew Li、Yinan Li、Yuchen Li、Yiming Liu、Thang Luong、Brandon Mayer、Simon Meierhans、Swaroop Mishra、Ashish Naik、Sebastian Nowozin、Renato Paes Leme、Nikos Parotsidis、Ali Parviz、Neel Patel、Violet Peng、Bryan Perozzi、Anshul Ramachandran、Shashir Reddy、Lijie Ren、Madhavi Sewak、D Shin、Reza Shokri、Sukhdeep Singh、Samuel Smith、Linfeng Song、Dilara Soylu、Zheng Tan、Sasan Tavakkol、Hadi Tavassol、Yifeng Teng、Tom Wollschläger、Haifeng Xu、Zicheng Xu、Yihao Xue、Amir Yazdanbakhsh、 以及 Goran Žužić。感谢 Carla Bromberg 和 Lauren Fraser 的项目管理,以及 Francis Duan、Pan-Pan Jiang、Xiyan Shao、Jane Shapiro、Weilun Shi 和 Xinyu Ye 对项目的贡献。我们还要感谢多位领导者的支持:Sergey Brin、Demis Hassabis、Koray Kavukcuoglu、Pushmeet Kohli、James Manyika、Yossi Matias、Varun Mohan 和 Amin Vahdat。

为研究论文做出贡献的多位学术合作者包括:Zijie Chen、Amin Gohari、Chandra Nair(香港中文大学)、Songbin Liu、Arian Maleki、Chen Shang、Hanbo Yang、Wenjin Zhang(哥伦比亚大学)、Zihan Hao、Qipeng Liu、Jianan Shao(加州大学圣地亚哥分校)、Lorenzo Beretta(IBM 剑桥)、Simone Bombari(杨百翰大学与 Flatiron Institute)、Mahbod Majid、Margalit Glasgow(麻省理工学院)、Raphael Arkady Meyer(加州大学伯克利分校、ICSI 与 LBNL)、Kijun Shin(卡内基梅隆大学)、Huacheng Yu、Elena Gribelyuk(普林斯顿大学)、Xin Lyu(加州大学伯克利分校/字节跳动)、Samson Zhou(德克萨斯农工大学)、Erik Waingarten(宾夕法尼亚大学)以及 Sorrachai Yingchareonthawornchai(ETH-ITS)。


  1. Google 的核心 /teamwork 团队

快速链接