Google Antigravity та Gemini 3.7 Flash автоматизують складні інженерні завдання
Google оновила фреймворк Teamwork у платформі Antigravity, поєднавши Gemini 3.7 Flash з автономними групами агентів для вирішення тривалих інженерних завдань. Система створила емулятор процесора RISC-V та оптимізувала популярні відкриті бібліотеки.
Вплив: Середній
Чому це важливо
Розробники можуть застосовувати багатоагентну співпрацю для автоматизації багатогодинного рефакторингу, системного моделювання та оптимізації кодових баз.
TL;DR
- 01Gemini 3.7 Flash забезпечує роботу автономних агентних команд, здатних ітерувати та налагоджувати код протягом кількох діб.
- 02Агенти створили робочий емулятор процесора, що завантажує операційну систему xv6 із точністю тактів 0.71%.
- 03Багатоагентна верифікація дозволяє створювати готові оптимізаційні патчі для складних бібліотек мовою C++.
Ключові факти
- Результат на TCSBench
- 71%
- Похибка емулятора процесора
- 0.71% щодо апаратного еталона
- Оптимізація ParlayHash
- у 2 рази вища швидкість вставки, на 25% менше пам'яті
Тривалі багатоагентні процеси
Google випустила оновлення системи Teamwork у межах Google Antigravity, використовуючи модель Gemini 3.7 Flash для керування автономними групами агентів. Замість поодиноких запитів фреймворк об'єднує агентів у команди, які самостійно тестують, критикують та верифікують кодову базу.
Системна інженерія та доведення у Lean
Система продемонструвала повний цикл системної розробки, створивши з нуля симулятор процесора RISC-V із позачерговим виконанням команд. Згенерований емулятор успішно завантажив ядро операційної системи xv6 до командного рядка з похибкою 0.71% відносно реального процесора.
У сфері теоретичних обчислень агенти розв'язали сім відкритих задач (зокрема гіпотезу Кнута про цикли з формальним доведенням у Lean обсягом 40+ сторінок) та досягли 71% на TCSBench.
Внесок у відкритий вихідний код
Багатоагентне середовище також згенерувало оптимізації для популярних відкритих бібліотек, включно з SIMD-прискоренням для Eigen і подвоєнням пропускної здатності вставок зі зниженням споживання пам'яті на 25% для ParlayHash.
✓ Коли використовувати
- Складні інженерні завдання, що вимагають точного моделювання апаратних засобів або формальних доведень.
- Оптимізація великих відкритих бібліотек, яка потребує ретельного бенчмаркінгу та валідації.
✕ Коли НЕ варто
- Прості скрипти в один файл, де витрати на координацію агентів перевищують користь.
- Завдання з обмеженим бюджетом, де багатогодинні ітерації моделей є занадто дорогими.
Що зробити сьогодні
- Ознайомтеся з архітектурою тривалих багатоагентних процесів для складного рефакторингу коду.
- Додайте інструменти формальної верифікації (як-от Lean) до процесів перевірки коду агентами.
Джерела