没换新模型，Google Teamwork 解出 7 个数学开放问题

来自 Google 在 Antigravity 里放出来的 Teamwork：AI 组队自主跑数小时甚至数天，解出了 7 个数学和理论计算机科学的开放问题，在 TCSBench 上拿到 71%，还从零写出了一台能启动操作系统的 RISC-V CPU 模拟器。这轮没有新模型发布，底层还是公开的 Gemini 3.7 Flash 和 3.1 Pro。变的不是大脑，是组织方式。

● ● ●

一、先说结果：三件事

数学这边，官方说解决了 7 个开放问题，横跨 FOCS、JMLR 这些顶会顶刊，5 篇论文已经挂在 arXiv 上。最硬的一条是 Knuth 的 Cycles 猜想——偶数情形给出了两套构造性证明，40 多页的那套在 Lean 里做了形式化验证。其余 6 个由人类专家复核确认。

注意一个细节：这批结果主力是 Gemini 3.1 Pro 跑出来的，但其中 3 个问题用 3.7 Flash 复现成功。官方称这是 Flash 级模型第一次产出博士级数学研究——放在以前，这是 Pro 级模型都不一定敢接的活。

基准这边，TCSBench 71%。这个数字单独看没什么，放在参照系里看才有意思：TCSBench 是 8 月 10 日刚挂出来的研究级理论计算机科学证明基准，300 道题全部取自 STOC/FOCS/SODA 论文。论文里公开的最强单模型 GPT-5.6 Pro 是 68%，Google 自己的内部 harness Colosseum 是 67.7%。Teamwork 的 Long Proof 模式跑到 71%，是 Google 内部测试的最高分。

工程这边，用 3.7 Flash 从零写了一个周期精确的乱序执行 RISC-V 模拟器，能把 xv6 操作系统启动到 shell，跑通 100 多个标准基准，和真实硬件 BOOM 对拍的周期对齐误差 0.71%。为了防作弊，官方把参考模拟器 Spike 的源码沙箱隔离了。

● ● ●

二、关键不在模型，在把「找茬」变成制度

Teamwork 是 Antigravity 平台里的多智能体编排框架，用 /teamwork-preview 命令调用。它的核心循环只有四步：生成候选方案，派人专门找漏洞证伪，把最强部分组合成更好的方案，重复。

Teamwork 的四步对抗循环

听起来简单，但 Google 特意拿它和「松散的多智能体」做了对比：松散的团队会过早认同早期错误，然后自信地在错误想法上继续盖楼。Teamwork 的做法是在继续构建之前，先主动把缺陷找出来。

这里有个行业背景，正好解释了为什么这个设计值得看。

Anthropic 之前红队实测：45 个 Claude 协作找漏洞很强，但 80 个一起写代码反而集体摆烂——互相附和，错误互相传染。DeepMind 自己的 AI co-mathematician 论文里也承认过两个失败模式：一个是「讨好审稿人」，证明被打回后，agent 不是真修逻辑，而是换措辞让审稿人看不出问题；另一个是「死亡螺旋」，证明者和审稿人陷入死循环，最后退化成幻觉。

所以多智能体的老问题是：人一多就互相点头。Teamwork 的答案是给「质疑」设一个制度化的角色——专职找茬的 falsifier，每个候选方案都配一个，唯一工作就是拆台。被证伪的路线不删除，带着反对意见留在过程里，因为一条坏掉的路线可能仍含有用的想法。

这套东西被抽象成了「模式」（pattern），现在是五种：迭代编码、分布式编码、长证明、自校验、文档审查。每种模式规定哪些 agent 参与、什么角色、达到什么标准才能推进，但模式本身不含编排代码，是规格不是程序——所以「对抗式批判」这套机制可以不加修改地从写代码搬到证数学题。运行时由 Gemini 按任务自动选模式，agent 数量也不是写死的，任务展开过程中动态调整。

跑几天、烧大量 token，换来的是把「从有一个想法到知道这个想法行不行」的时间压缩掉。

● ● ●

三、我逐条核了一遍，站得住的先说

我对厂商自报的数字习惯性打问号，这次逐条对了一轮，分三档。

第一档，有独立证据的。

TCSBench 的 71% 我核过基线：论文原文里 Colosseum 就是 67.7%，官方「从 67.7% 提到 71%」的口径和论文一致，没有偷换参照物。7 个问题里那个 Hadamard 量化（消除第二级量化、主导常数降约 5.93 倍）的论文，作者是 Lin、Mirrokni、Woodruff 这几位——Woodruff 是 CMU 的知名理论计算机学者。论文里明确写了一句话：证明最初是用 Google 内部一个全自动的 Gemini agentic 系统获得的，作者人工复核后发表。这是整份公告里可信度最高的一条：重量级学者署名、人工复核、可公开验证。

Knuth Cycles 那个 40 多页的证明走了 Lean 形式化验证——机器可检查，不依赖模型自己的自信度。

第二档，官方自报但没法独立验证的。

RISC-V 模拟器的 0.71%，没有披露指令集覆盖范围、测试集和运行时长，边界有多大得等技术说明。Eigen 的优化，官方称已经合入上游库，但我在上游仓库里没能独立定位到那个具体提交；英文官方文也没给提速数字，中文媒体流传的「Eigen 提速 32 倍」出处不明，先别当结论用。

第三档，没披露的。

团队规模、角色分工、模型调用量、算力成本，一个字没有。TCSBench 71% 的评测细节没公开。这决定了它目前是方向性证据，不是可复现方案。

● ● ●

四、真正值得抄的，是「外部验证闭环」

把三组结果放在一起看，有个共同结构：每个任务的交付点都设了一个独立于生成模型的验证环节。

三组成果的外部验证器

数学定理，要么人类专家复核，要么 Lean 形式化验证；CPU 模拟器，和硬件 ground truth 对周期；开源优化，走上游维护者的 code review。Eigen 和 ParlayHash 的改动不是自建 benchmark 自嗨——ParlayHash 那边是 64 线程插入吞吐 2 倍、内存省 25%，被上游接受了才算数。

多智能体在数小时到数天的自主迭代里，如果没有外部验证器持续纠偏，错误会被层层放大。启动任务时没有验证器，任务结束时你根本分不清它在收敛还是在发散。这一条对任何想做长周期 agent 的团队都适用，比纠结「用哪个模型」重要得多。

● ● ●

五、这波操作对行业意味着什么

长时任务从研究课题变成了工程能力。 8 月 23 日微软和南大刚发了 LoopsBench，实测最强编程 agent 跑长周期任务的完成率只有 25%——「跑不长久」是行业公认的短板。几天后 Google 直接交了份「跑给你看」的答卷。模型决定起点，Harness 决定能走多远，这是 Agent = Model + Harness 的又一个实证。

Harness 竞争进入「模式复制」阶段。 DeepSeek Harness 开源了，OpenAI 的 Codex Harness 开源了，到 Teamwork 开放五种模式——框架代码开源生态很快能复制，但「什么任务配什么角色、什么节奏、怎么校验」这套模式库是实践沉淀出来的，比代码难抄。

当然冷水也得泼：跑数天、烧海量 token、谷歌级的算力，这是实验室配置，普通团队别直接对标。Teamwork 托管在 Google 云上，对国内用户也不友好。更现实的做法是把三样东西搬走：模式化分工、对抗式校验、外部验证闭环，先在自己的任务规模上把「跑 10 分钟不出错」做出来，再想「跑 10 天出成果」。

最后留个问题给你：如果「质疑」和「干活」同样重要，你现在的 agent 团队里，谁在负责找茬？

参考来源：

• antigravity.google/blog/teamwork-when-ai-becomes-a-research-partner（官方机制与成果）
• blog.google/innovation-and-ai/technology/developers-tools/antigravity-teamwork-multi-agent/
• arxiv.org/abs/2608.09538（TCSBench 论文，基线核验）
• arxiv.org/abs/2608.02564（Hadamard 量化论文，「证明最初由 Google 内部全自动 Gemini agentic 系统获得」自注）