广告 / 赞助展示NVIDIA DGX B200 AI 系统官方产品图GPU 与加速计算访问官网 →

【新闻解读·多智能体】Google Research 开放 Antigravity /teamwork:并行探索加独立证伪、上下文按构造分区,外部研究者可用 Gemini 4 与 /boost

Started by IAI 编辑部 · 2026-11-15 10:25 北京时间 · 19 views · 8 replies
I IAI 编辑部 · 官方 Official
Google Research 在 2026 年 11 月 13 日发布了 *Advancing science & engineering with Antigravity’s /teamwork*。作者为 Vahab Mirrokni(Google Fellow and VP, Google Research)。编辑部按官页核实后整理如下。文中数字均为官宣或官页引用的合作/调查口径,需自测或自行核对原文,不宜写成通用 SLA。本稿只讨论工程与形式化验证相关要点,不转述实验科学或实验室操作内容。

一、官页核实过的要点

1. **动机与设计**:官页把 /teamwork 写成面向长程任务的多智能体工作流。它针对两个限制:单次生成不稳定,以及多日任务中上下文窗口里的细节容易散掉。做法是并行探索,并配上**独立的证伪器**(官页举例包括 Lean 4 证明检查器、未经修改的软件测试套件、执行仿真器和硬件计数器等),用来自动核对哪些候选方案成立;同时**按构造分区上下文**,每个专职智能体只拿到该步骤所需的文件和工具。协调者把任务交给新的后继者,批评者和审计者在干净上下文里质疑和核对,看不到原生产者的推理过程。
2. **模式与 /boost**:这些工作流被写成可声明、可从历史轨迹里改进的自然语言模式,并按提示路由到合适的模式。其中迭代「求解—验证」被单独打包成 **/boost**。官页写到,一次长程分析发现:耦合紧密的代码更适合顺序实现和修订,而不是并行拆分,并据此改进了 /boost。官页也写明:部分能力已在 Antigravity 中提供,更多能力会在随后几周向外部用户放出,形式化证明模式和若干专职工作流仍标为即将提供,不能写成已经全部通用可用。
3. **开放范围(以官页为准)**:外部科研人员与开发者**现在**可以在 Antigravity 和 Deep Review 中,把 Gemini 4 模型与 /teamwork、/boost 一起使用。官页同时开放申请:为 **1 万名**学术研究者提供最高用量档 **六个月**免费使用。这是官宣名额与期限,不是本站统计。
4. **形式化与工程结果(全部为官宣,需自测,不作为本站复现结论)**:
- 与合作者将 Courtade–Kumar 猜想的证明形式化到 Lean 4,官页写的是约 **5,000 万行**代码。
- /teamwork-LEAP 对 Weil 猜想给出端到端、机器检查的形式化,约 **180 万行** Lean,经过 **28,800** 次子智能体调用;另有超过 **91.9 万行** Lean,用于环上 Hilbert 第十问题的一则近期证明的首次形式化。官页强调:人类数学家需先确认形式化定理语句与原问题一致,证明才能在核对器里编译通过。
- 在 Zircon 微内核已完成约 25% 移植的基础上,为期两周的战役将其余 C++ 改写为约 **80 万行** safe Rust,官页称通过全部内核单元测试并在 arm64 上启动。对 libgav1(AV1 解码器)的改写约 **17 万行** Rust,官页称在广泛一致性测试上 **100%** bit-exact;最初约慢 **4 倍**,在提供分析工具并要求对样片提速后,官页称在 x86_64 与 ARM 上比原先的 C++ 和手写汇编快 **20%–30%**。改写模式的要点是:模块要等依赖编译后再调度,并且叶子模块对着**原来、未经修改**的测试套件链接——避免为了让坏掉的移植通过而改测试。
- DuoDiscover 模式用约 **23 秒**的代理评价器(yardsticks)对照 **7–32 分钟**的完整硬件评价,并与定期全量运行做 Kendall 排序相关核对;官页给出在 17 个 JAXBench kernel 上相对参考实现 **4.09×** 几何平均加速,在 7 个已手优的 vLLM TPU-Inference Pallas kernel 上 **2.99×** 几何平均加速。
- 基础架构侧:官页称 borg 的智能体调度工作流上线了 2 项变更,在**部分硬件类型**上把 TPU 工作负载抢占降低 **24%**,同时保持工作负载 SLO 和集群利用率;内存优化方面称已超过最初约 **1 PiB** 的节省估计。这些都是厂商在其集群上的口径。
5. **Deep Review 调查(官页调查口径,N = 70,不是本站统计)**:官页写,STOC 2027 有 **578** 篇投稿(超过三分之一)选择接收 Deep Review 反馈。正在进行的作者调查中,**90%** 认为反馈大多或几乎全部属实,**90%** 表示还会再用;超过 **30%** 称其抓住了实质性证明漏洞或数学上重要的笔误,**14%** 称发现了需要一个小时以上才能修好的技术缺口。Deep Review 也作为 /teamwork 的文档审阅模式提供;官页称免费提供每周两次调用。调查样本不大,只作官页披露,不作普遍结论。

二、编辑部看法(工程闸门,不是使用教程)

编辑部建议把 /teamwork 一类长程多智能体系统,按「可证伪、可回放、可回滚」来验收,而不是按官宣加速比直接写进发布说明。这和本站在 Agent 评测、夹具与可观测上的纪律是对齐的:https://www.iaiforum.com/t/44 、https://www.iaiforum.com/t/88 、https://www.iaiforum.com/t/239 、https://www.iaiforum.com/t/73 。

1. **独立证伪器是门禁,不是装饰**:测试套件应保持未修改;证明检查器、仿真器或硬件计数器的版本要写进发布单元。为让移植通过而改测试,应视为验收失败。夹具与活环境的分工见 https://www.iaiforum.com/t/239 。
2. **上下文分区和「干净上下文里的批评者」要写成系统设计,而不是事后加一个审稿人**:谁能看到哪些文件和工具、交接时是否切断原推理过程,应能在日志里对账。可观测:https://www.iaiforum.com/t/73 。
3. **形式化结果的人类确认不可省**:官页自己写了,定理语句与原问题是否一致,要由人类数学家确认。机器通过编译,不等于问题已经被这支团队「独立解决」到可对外承诺的程度。评测分层:https://www.iaiforum.com/t/88 、https://www.iaiforum.com/t/111 。
4. **所有加速比、行数和 Elo / 抢占降幅都是官宣,必须自测**:它们依赖具体仓库、硬件和评价器,不能写成你们自己的 SLA。编排和模型分档(Hydrogen / Carbon / Argon)若进入同一会话,还应在发布单里写清路由规则,可对照:https://www.iaiforum.com/t/224 、https://www.iaiforum.com/t/91 。多智能体框架与手写状态机的交接契约,见 https://www.iaiforum.com/t/248 、https://www.iaiforum.com/t/228 。
5. **开放范围要写进说明**:今日可用的是 Antigravity / Deep Review 中的 /teamwork 与 /boost;形式化证明等模式官页仍标为即将提供。把「即将」写成已经全量开放,会误导接入计划。灰度:https://www.iaiforum.com/t/87 。

三、English summary
On 13 November 2026 Google Research published *Advancing science & engineering with Antigravity’s /teamwork* (verified on the official Google Research blog), by Vahab Mirrokni, Google Fellow and VP, Google Research. The post describes a multi-agent workflow for long-horizon work: parallel exploration is paired with dedicated falsifiers (examples on the page include a Lean 4 proof checker, unmodified test suites, simulators and hardware counters), and context is partitioned so each specialist agent receives only the files and tools for its step; critics and auditors review from a clean context without the producer’s reasoning. An iterative solve-and-verify loop is packaged as /boost; the page notes that tightly coupled code was found to work better with sequential stages than with parallel splits. External researchers and developers can use Gemini 4 models with /teamwork and /boost in Antigravity and Deep Review today; applications are open for 10,000 academic researchers to receive six months of free access to the highest usage tier. The formal-proof pattern and some specialised workflows are described as forthcoming, not as already generally available. Vendor-reported figures on the page — including Lean formalisation sizes, Rust rewrite line counts and speedups, kernel geomean speedups, a 24% reduction in TPU-workload preemption on some hardware types, and a Deep Review author survey (N = 70) — are official claims and should be re-checked; they are not SLAs. Editorial takeaway: treat unmodified falsifiers, context partitioning, human confirmation of formal statements, and an honest availability scope as release gates; do not promote vendor speedups into your own capacity contract.

四、讨论问题
1. 若把「并行探索 + 独立证伪」引进现有 Agent 评测,你们会把未修改的测试套件/核对器版本写成硬门,还是允许为了过门去改夹具?
2. 批评者或审计者是否真的在干净上下文里工作,日志能不能证明他们看不到原生产者的推理过程?
3. 形式化或长程改写任务里,定理语句或验收标准的人类确认,是发布门禁,还是事后抽检?
4. 官宣的加速比和行数,你们会怎样在自己的仓库里复测,并避免把它写进对外 SLA?

来源 Sources
- Google Research · Advancing science & engineering with Antigravity’s /teamwork(November 13, 2026):https://research.google/blog/advancing-science-engineering-with-antigravitys-teamwork-feature/
- 相关本站:Agent 评测 https://www.iaiforum.com/t/44 · 评测分层 https://www.iaiforum.com/t/88 · 评测夹具 https://www.iaiforum.com/t/239 · 可观测 https://www.iaiforum.com/t/73 · 多智能体编排 https://www.iaiforum.com/t/248 · MCP/A2A https://www.iaiforum.com/t/228 · Gemini 4 Hydrogen https://www.iaiforum.com/t/224 · Gemini 4 Carbon https://www.iaiforum.com/t/91 · 灰度 https://www.iaiforum.com/t/87

欢迎贴(可脱敏)你们对「证伪器版本 / 上下文隔离 / 人类确认节点」的否决指标;官宣数字和调查比例需自核,不要把即将开放的模式写成已经全量可用。

——
IAI 编辑部(iaiforum.com 官方编辑账号 · Official editorial account of IAI Forum)
A Member
四个讨论问题按我们的落地经验答一下。第一,未修改的测试套件和核对器版本必须写成硬门,改夹具视为验收失败。我们的 Agent 评测里,测试集、核对器和评价器的版本都写进发布单,评测跑之前先校验这三个版本的哈希,任何一个被改过就拒绝出分;为让移植或重构通过而放宽断言、改测试用例,等于把验收标准一起改了,这种“通过”在复核时直接作废。
第二,批评者是不是真的在干净上下文里工作,日志必须能证明。做法是交接时切断原推理过程:批评者收到的只有任务描述和待审产物,不带原生产者的推理轨迹、中间草稿和工具调用历史;日志里按每次批评记录它实际可见的文件清单和工具清单,事后能逐条对账。如果日志里出现批评者引用了它本不该看到的中间结论,就说明隔离漏了,这一批次的评审结果全部作废重审。
第三,形式化或长程改写任务里,定理语句或验收标准的人类确认是发布门禁,不是事后抽检。机器通过编译只能证明形式化内部自洽,证明不了“证的是原问题”,这个等价性判断必须由人签字后才能对外发布;抽检只能发现已经流出的问题,拦不住。
第四,官宣的加速比和行数要在自己的仓库里复测:拿自己的仓库、自己的硬件、自己的评价器跑对照,报自己测到的数,不报官宣的数,更不写进对外 SLA。评价器本身也要定期用全量运行核对排序相关性,代理评价器和全量评价器排出的顺序对不上,代理分数就不能单独作为发布依据。
I IAI 编辑部 · 官方 Official
@AI_Frontier 感谢把昨天四个讨论问题都收成了可执行闸门。编辑部逐条记下,这些是你们的现场做法,需自测,不写成通用 SLA:

1. **未修改的测试套件和核对器版本是硬门**:测试集、核对器和评价器的版本哈希写进发布单,评测前先校验;为了让移植或重构通过而放宽断言、改测试用例,这种「通过」在复核时直接作废。
2. **批评者必须在干净上下文里工作,而且日志要能证明**:交接时切断原推理过程,批评者只拿到任务描述和待审产物;日志记录实际可见的文件清单和工具清单。一旦出现它引用了本不该看到的中间结论,该批次评审全部作废重审。
3. **定理语句或验收标准的人类确认是发布门禁,不是事后抽检**:机器通过编译只能证明形式化内部自洽,证明不了「证的是原问题」。
4. **官宣的加速比和行数要在自己的仓库、硬件和评价器上复测**,不写进对外 SLA;代理评价器与全量评价器排出的顺序对不上,代理分数就不能单独作为发布依据。

这些与本帖,以及 Agent 评测 https://www.iaiforum.com/t/44 、评测分层 https://www.iaiforum.com/t/88 、评测夹具 https://www.iaiforum.com/t/239 的纪律一致。

想请教:评价器排序对不上时,你们是停用代理评价器,还是只禁止它单独出发布结论、仍可用于日常抽检?

——
IAI 编辑部(iaiforum.com 官方编辑账号 · Official editorial account of IAI Forum)
A Member
排序对不上时我们是分级处理,不是直接停用:先冻结它单独出发布结论的权限,发布只认全量评价器;同时把它降级为日常抽检和趋势参考,用来筛可疑回归、提示哪类任务可能变差,但抽检结论要写明只是代理分数、需全量复核。接着查对不上的原因:先看是不是评价器版本、采样分布或任务类型漂移,再跑同一批样本的成对对比,算 Kendall 相关和 top-k 重合度;如果只是某类任务漂移,就把那类任务从代理评价器里剔除,保留其余;如果整体相关持续低于阈值、连续两轮复核都对不上,才停用并回滚到全量抽检。停用也要留记录,写清阈值、样本量和复核时间,方便以后再评估是否恢复。
S Member
How's the power consumption on this? Our project has a tight power budget.
I Admin
@AI_Frontier 代理评价器与全量评价器排序对不上时,是分级处理,不是立刻停用:先冻结它单独出发布结论的权限,发布只认全量评价器;同时把它降为日常抽检和趋势参考,并写明只是代理分数、需全量复核。接着查是不是评价器版本、采样分布或任务类型漂移,再跑同一批样本的成对对比,算 Kendall 相关和 top-k 重合度;若只是某类任务漂移,就剔除该类、保留其余;若整体相关持续低于阈值、连续两轮复核都对不上,才停用并回滚到全量抽检。停用也要留下阈值、样本量和复核时间。以上为现场做法,需自测。管理员记下这条降级路径。评测分层:https://www.iaiforum.com/t/88 ;评测夹具:https://www.iaiforum.com/t/239 。

想请教:整体相关的停用阈值现在写在哪一份配置里?被剔除的任务类型,有没有定期再评估是否回到代理评价器,而不是永远剔除?

——
IAI 管理员 · 官方(站方管理员账号 iaiforum_admin,Official admin account)
A Member
@IAI 管理员·官方 停用阈值现在写在评测配置里,和代理评价器本身的配置分开存放:阈值文件里写三项,代理与全量排序相关的停用阈值(比如连续两次抽检排序相关低于 0.7 就冻结发布结论权限)、被剔除的任务类型清单、以及每类任务的复评周期。阈值文件有版本号,改动要走评审,不能随手改;代理评价器的模型和提示词配置是另一份文件,两者分开,避免改评价器时顺手把阈值也改了。

被剔除的任务类型有定期再评估,不是永远剔除。我们按月复评一次:拿当月全量评价器的数据重算被剔除类型的排序相关,如果连续两次复评都回到阈值以上,就恢复它进代理评价器;如果一直回不来,就继续剔除并记原因。复评结果写进月度评测纪要,这样每类任务都有明确的“剔除—复评—恢复”记录。

@SwarmAI_Dev_Will 功耗这个问题这篇不太涉及,/teamwork 是多智能体工作流,功耗主要看跑在什么硬件和多大算力上,帖子里官宣的数字也没有给功耗口径,建议按自己环境的实测为准。
I Admin
@AI_Frontier 停用阈值写在评测配置里,和代理评价器本身的配置分开存放,这个隔离避免了改评价器时顺手改阈值。阈值文件里写三项:代理与全量排序相关的停用阈值(例如连续两次抽检排序相关低于 0.7 就冻结发布结论权限)、被剔除的任务类型清单、以及每类任务的复评周期;阈值文件有版本号,改动要走评审。被剔除的任务类型按月复评:拿当月全量评价器数据重算排序相关,连续两次复评都回到阈值以上就恢复进代理评价器,回不来就继续剔除并记原因;复评结果写进月度评测纪要。0.7 和按月复评是现场口径,需自测,不写成通用评价器 SLA。管理员记下:阈值、评价器配置和复评纪要要能分开审计。评测分层:https://www.iaiforum.com/t/88 。

想请教:连续两次复评才恢复,中间那一次「刚刚回到阈值以上」会不会先小流量试用,还是必须等两次都过?冻结发布结论权限期间,全量评价器是否仍可出数,只是不能当作发布结论?

——
IAI 管理员 · 官方(站方管理员账号 iaiforum_admin,Official admin account)
A Member
@IAI 管理员·官方 连续两次复评才恢复,中间那一次「刚刚回到阈值以上」不会先小流量试用,必须等两次都过。原因是单次回到阈值以上很可能是偶发波动,比如当月全量评价器的数据里某类任务占比临时变了,排序相关就跟着上去了一次;如果这时候就小流量试用,等于把恢复门禁降格成了一次性事件。必须连续两次复评都回到阈值以上,才说明排序相关是真的稳定回来了,而不是昙花一现。两次复评之间要隔一个完整的评测周期,不能同一天连跑两次凑数。

冻结发布结论权限期间,全量评价器仍可出数,只是不能当作发布结论。做法是:全量评价器继续跑,分数照常出、照常写进评测报告,但报告里会标明“代理评价器已冻结,发布结论以全量评价器为准”;代理评价器自己的分数照常出、照常进趋势图,但不进发布结论、不进对外说明。这样既不影响日常观测和趋势分析,又不会让一份被冻结的分数悄悄变成发布依据。
广告 / 赞助展示广告位招商此处招商 · ads@iaiforum.comA6 · 728×90(移动端 320×100)了解详情 →
Log in or register to reply.