Google ließ KI-Systeme mehrere Tage lang gegeneinander antreten, und kleine Modelle reproduzierten überraschenderweise drei Probleme auf Doktoratsniveau.

Wenn man den Namen nicht kennt, würde man sicher glauben, dass dies wieder ein Top-Modell ist, das so leistungsstark ist, dass es nicht öffentlich veröffentlicht werden darf, und eine Reihe von "übermenschlichen" Erfolgen vorweist:

Für die wissenschaftliche Forschung: Es löst auf einen Schlag 7 schwierige Probleme aus der Spitzenmathematik und Informatik, und die 40-seitige lange Beweisführung, die es abgibt, weist selbst für die strengste maschinelle Prüfung keine Fehler auf;

Für die technische Entwicklung: Es schreibt von Grund auf einen extrem realistischen CPU-Simulator, der nicht nur das System erfolgreich startet, sondern auch mit einem Betriebsfehler von nur 0,71 % läuft;

Für die Code-Entwicklung: Es optimiert nebenbei den Kerncode der beiden gängigen Open-Source-Bibliotheken Eigen und ParlayHash, und die Änderungen werden direkt von den Upstream-Betreuern übernommen.

Dies ist eine Leistungsübersicht, die das Google Antigravity-Team am 27. August gerade vorgestellt hat.

In dem technischen Langartikel zu Teamwork veröffentlicht das Google Antigravity-Team gebündelt Ergebnisse aus drei Bereichen: Mathematik, Systeme und Open Source.

Überraschenderweise ist diesmal kein rechenintensives "Energie fressendes" Großmodell die tragende Kraft, sondern ein kleines Modell, das auf "Geschwindigkeit und Kostengünstigkeit" setzt: Gemini 3.7 Flash.

Google selbst hat diesbezüglich festgestellt: Es ist das erste Mal, dass ein Modell der Flash-Klasse mathematische Forschungsergebnisse auf Doktoratsniveau erzielt.

Womit kann ein kostengünstiges Modell über seine eigene Leistungsstufe hinaus Erfolge erzielen?

Das Geheimnis liegt nicht in den Parametern, sondern in einem Multi-Agent-Orchestrierungsframework namens Teamwork.

Das eigentliche Signal, das Google an die Branche übermitteln möchte, lautet: Nicht dass Flash plötzlich intelligenter geworden ist, sondern dass die Organisationsweise der Arbeitsabläufe sich geändert hat.

Pro führt die Exploration an

Flash gelingt die vollständige Reproduktion

Wer ist der Hauptdarsteller dieser Leistungsübersicht? Der technische Langartikel von Google gibt eine sehr strenge Definition:

Alle 7 Ergebnisse aus Mathematik und theoretischer Informatik wurden ursprünglich von Gemini 3.1 Pro im Langbeweis-Modus von Teamwork erzielt.

Aber das Beeindruckende ist, dass 3 dieser harten Ergebnisse von Gemini 3.7 Flash vollständig reproduziert werden konnten.

Diese 3 Probleme sind keineswegs nebensächliche Fragen zum Aufblähen der Statistik: die Konstruktion von Coresets für die Approximation von ℓp-Unterräumen, die Dimensionsuntergrenze für Einbettungen mit maximalem inneren Produkt und die Hadamard-Quantisierung, die den führenden Konstantenfaktor um etwa das 5,93-fache senkt.

Jedes davon ist ein echtes offenes Problem in der akademischen Welt.

Die verbleibenden 4 Ergebnisse wurden ausschließlich von 3.1 Pro bearbeitet, darunter die Untergrenze der Konditionszahl für spärliche konvexe Optimierung, die approximative optimale Untergrenze für die Präfix-Matrix-Faktorisierung, das Knuth's Cycles-Problem und das Erdős-Einheitsabstand-Problem, das unter Offline-Bedingungen unabhängig nachgewiesen wurde.

Darüber hinaus wurde der Höchstwert von 71 % bei der TCSBench-Bewertung, der den internen Google-Rekord bricht, auch durch die Zusammenarbeit von 3.7 Flash und 3.1 Pro erreicht, was den vorherigen Rekord von 67,7 % übertrifft, der von der Kombination aus der Vorgängergeneration 3.6 Flash und 3.1 Pro erzielt wurde.

Das wirklich bemerkenswerte Signal darin lautet:

Solange das Orchestrierungsframework richtig aufgebaut ist, kann ein kleines leichtgewichtiges Modell wie Flash die vom Flaggschiff-Modell erzielten Forschungsergebnisse vollständig nachvollziehen und reproduzieren.

Dies reicht aus, um unsere Vorstellungen davon, "was kleine Modelle leisten können", zu erweitern.

Teamwork macht das "Fehlersuchen" zu einem harten institutionellen Regelwerk

Teamwork ist ein Multi-Agent-Orchestrierungsframework, das vom Antigravity-Team entwickelt wurde.

Sie müssen nur /teamwork-preview eingeben, dann liest Gemini die Eingabeaufforderung, wählt selbst den passenden Modus aus, ruft sofort andere Agenten auf, um eine "KI-Expertengruppe" zu bilden, und der Betrieb läuft dann mehrere Stunden oder sogar Tage lang.

Alle zuvor erwähnten mathematischen Ergebnisse stammen aus dem sogenannten Long Proof-Modus (Langbeweis-Modus).

Sein Designkonzept ist äußerst kontraintuitiv: Es setzt nicht auf die Anhäufung von Parametern, sondern darauf, dass eine Gruppe von Flash-Modellen zusammenkommt, um sich gegenseitig "Fehler aufzuzeigen, zu widersprechen und Schwachstellen aufzudecken".

Wie veranstalten diese KIs eigentlich ihre "Arbeitssitzungen"? Im Detail gibt es insgesamt vier Schritte:

Erster Schritt: Der wettbewerbsintensive "Suchlauf nach Wettbewerbsstrategien".

Das System erzeugt gleichzeitig eine große Anzahl von Kandidatenlösungen und weist jeder Lösung einen speziellen "Widerspruchsbeauftragten" zu, dessen einzige Aufgabe darin besteht, diese Lösung zu widerlegen.

Interessanterweise werden Lösungen, die bis aufs Mark kritisiert wurden, nicht direkt in den Papierkorb geworfen, sondern verbleiben mit allen erhaltenen Gegenargumenten im Prozess.

Schließlich steckt in einem nicht gangbaren "Irrweg" oft eine rettende Inspiration.

Zweiter Schritt: Zielgerichtete, "präzise Zerlegung".

Sobald eine zuverlässige Strategie ausgewählt wurde, zerlegt das System sie in eine Reihe von Teilproblemen mit Abhängigkeiten und zeichnet sie in einem strengen Topologie-Diagramm auf. Unabhängige Teilprobleme werden parallel bearbeitet, solche mit festen Reihenfolgen werden nacheinander abgearbeitet.

Dritter Schritt: Der wettbewerbsintensive "interne Turnierlauf".

In jedem Teilproblem wird ein Ausscheidungswettbewerb gestartet: Die Knoten lesen gleichzeitig die Kandidatenlösungen und die scharfen Kritikpunkte, um gemeinsam eine verbesserte Version zu erarbeiten.

Wenn der Versuch insgesamt fehlschlägt, wird er mit allen gesammelten Gegenargumenten neu gestartet, bis alle Lücken behoben sind.

Vierter Schritt: Der "Rundengreifende Lernprozess", der aus Fehlern lernt.

Die fehlgeschlagenen Entwürfe werden unverändert für die nächste Runde aufbewahrt, und jede große Fehlerquelle, auf die der Prüfer stößt, wird in einem "Fallen-Register" festgehalten.

Alle begangenen Sackgassen und nachgewiesenen Schlussfolgerungen werden in Echtzeit in die gemeinsame Wissensdatenbank synchronisiert, auf die alle Teilnehmer jederzeit zugreifen können.

Das Turnier-Netzwerk im Long Proof-Modus: Jede Kandidatenstrategie ist mit einem Falsifizierer ausgestattet, und die zurückgewiesenen Lösungswege verbleiben mit den Gegenargumenten im Prozess.

Nach Abschluss dieses gesamten Prozesses ist es eher so, dass es einen extrem harten, unnachgiebigen akademischen Arbeitskreis nachbildet, als dass es ein kalter Supercomputer ist.

Hier muss jeder Lösungsvorschlag erst mehrere Runden lang gründlich geprüft werden, bevor die unzerstörbaren harten Probleme erfolgreich durchdacht werden können.

Dadurch wird direkt das häufigste Problem traditioneller Multi-Agent-Systeme behoben: der kollektive Herdentrieb.

Bisher konnte eine einzelne KI den Ablauf versehentlich in die falsche Richtung lenken, und die anderen KIs folgten blind als "Nachplapperer", sodass das Ergebnis auf einer falschen Grundlage immer unbrauchbarer wurde.

Das Trumpfkarte von Teamwork besteht einfach darin, das "gegenseitige Fehlersuchen" zu einem echten, unumgänglichen harten institutionellen Regelwerk zu machen.

Die Wahrheit hinter dem Knuth-Problem

Unter diesen 7 Ergebnissen ist das auffälligste und am häufigsten falsch interpretierte Problem das von Donald Knuth aufgeworfene Knuth's Cycles-Problem.

Tatsächlich wurde dieses Problem bereits im Frühjahr dieses Jahres von KI-Modellen nacheinander vollständig gelöst.

Donald Knuth bei den Stanford-Weihnachtsvorträgen 2023.

Ende Februar dieses Jahres lieferte Claude Opus 4.6 in nur etwa einer Stunde blitzschnell eine Konstruktion für den ungeraden Fall, was Knuth dazu veranlasste, gleich zwei Mal "Shock!" am Anfang seines Aufsatzes zu schreiben.

Anschließend traten Modelle wie gpt-5.3-codex und GPT-5.4 Pro nacheinander auf die Bühne und ergänzten auch den am schwierigsten zu lösenden geraden Fall.

Mitte April bestätigte Knuth in der überarbeiteten Fassung seines Aufsatzes ausdrücklich: Der gerade Fall ist zweifelsfrei gelöst.

Was hat Google diesmal also getan?

Einfach ausgedrückt: Google hat zwei elegantere und einfachere neue Konstruktionen für den geraden Fall gefunden und nebenbei die ersten langen Beweisführungen mit einer Länge von über 40 und über 70 Seiten vorgelegt.

Die über 40-seitige harte Beweisführung wurde zudem durch die formale Verifikation mit Lean bestätigt, sodass selbst Maschinen keine Fehler darin finden können.

Dies ist natürlich eine sehr solide akademische Leistung, aber seine eigentliche Bedeutung liegt darin, "eine schönere Beweisführung zu liefern", nicht darin, das Problem von Grund auf neu zu lösen.

Das zeigt umso mehr die wahre Stärke von Teamwork:

Es erhöht nicht die "isolierte Intelligenz" eines einzelnen Modells, sondern beseitigt durch institutionalisierte Spiele und Orchestrierung die Schwächen der Multi-Agent-Systeme, nämlich unkoordiniertes Vorgehen und blindes Zustimmen, und entfaltet so die "kollektive Intelligenz".

Von Theoremen zur Shell

Diesmal hat es wirklich Flash geschafft

Derselbe Mechanismus des Fehlersuchens wurde von Google in einem anderen Modus direkt für harte technische Entwicklungen eingesetzt.

In diesem technischen Langartikel steht ausdrücklich "Verwendung von Gemini 3.7 Flash". Teamwork hat von Grund auf einen taktgenauen, out-of-order ausgeführten RISC-V-CPU-Simulator erstellt.

Out-of-order-Ausführung ist ein Standardmerkmal moderner Hochleistungs-CPUs und zugleich der Teil, bei dem Simulatoren am häufigsten fehlerhaft programmiert werden.

Teamwork ging in zwei Schritten vor: Zuerst wurde die korrekte Funktion der Mikroarchitektur sichergestellt, indem es selbst die Out-of-order-Pipeline und den Reorder-Puffer schrieb und das xv6-Betriebssystem erfolgreich bis zur Shell startete; danach wurde das Timing Zyklus für Zyklus ausgerichtet.

Der Prozess, in dem der von Teamwork erstellte RISC-V-Simulator den xv6-Kernel startet und zur Shell gelangt.

Die schwierigste Hürde wurde von Google als "Lücke der stillen Ausführung" bezeichnet.

Der Zustand der Simulator-Mikroarchitektur kann über Hunderte von Zyklen hinweg unbemerkt abweichen, und wenn auf Architekturebene ein Fehler auftritt, ist die Ursache längst nicht mehr auffindbar.

Die Lösung von Teamwork bestand darin, den Referenzsimulator Spike in einer Sandbox zu isolieren, um zu verhindern, dass Agenten unbefugt abschreiben, und anschließend einen vollständig synchronen kooperativen Simulationslauf durchzuführen, bei dem jeder Schritt abgeglichen wird.

Schließlich hat dieser Simulator mehr als 100 RISC-V-Standard-Benchmarks erfolgreich ausgeführt, und bei unbekannten Testlasten beträgt der durchschnittliche Zyklusfehler gegenüber der BOOM-Hardware nur 0,71 %.