Google mejora Antigravity con equipos de agentes de IA

Google presentó nuevos avances de Antigravity, su plataforma para desarrolladores, mediante Teamwork, un sistema que permite organizar equipos de agentes de inteligencia artificial para que colaboren, revisen sus resultados y corrijan errores durante tareas complejas.

La compañía explicó que estos agentes pueden trabajar de manera autónoma durante horas o incluso días. El objetivo es afrontar problemas de largo plazo que resultan difíciles de resolver con un único agente de IA.

Teamwork funciona mediante diferentes configuraciones, llamadas “patrones”. Según la tarea, el sistema determina qué agentes necesita, qué función cumplirá cada uno y cómo revisarán las respuestas antes de avanzar.

Resultados en matemática y computación

Uno de los principales campos de prueba fue la matemática y la informática teórica. Google informó siete resultados sobre problemas abiertos vinculados, entre otros temas, con optimización convexa, cuantización de modelos de lenguaje, embeddings y factorizaciones de matrices.

Entre ellos aparece la conjetura de ciclos de Donald Knuth. En ese caso, el sistema produjo demostraciones de más de 40 páginas que fueron verificadas formalmente mediante Lean, una herramienta utilizada para comprobar pruebas matemáticas.

La compañía aclaró que los siete resultados se obtuvieron con Gemini 3.1 Pro, mientras que tres de esos problemas también pudieron reproducirse con Gemini 3.7 Flash mediante el sistema multiagente.

Además, la combinación de Gemini 3.7 Flash y 3.1 Pro alcanzó un 71% en TCSBench, una evaluación de problemas complejos de informática teórica desarrollada dentro de Google. Según la empresa, fue el mejor resultado obtenido hasta ahora en sus pruebas internas.

Un simulador de procesadores y mejoras de software

Google también utilizó Gemini 3.7 Flash y Teamwork para construir desde cero un simulador de CPU RISC-V capaz de iniciar el sistema operativo xv6 y ejecutar más de 100 pruebas estándar.

Al compararlo con resultados de hardware de referencia, el simulador registró un error promedio de alineación de ciclos del 0,71%, según los datos publicados por Antigravity.

Los agentes también trabajaron sobre proyectos de código abierto. En la biblioteca ParlayHash, una de las optimizaciones consiguió duplicar el rendimiento de las inserciones iniciales con 64 hilos y reducir en un 25% el uso de memoria por elemento frente a otra implementación de referencia. Las modificaciones fueron incorporadas a proyectos externos mediante sus procesos habituales de revisión de código.

Cómo funciona Teamwork

Teamwork está disponible como /teamwork-preview en Antigravity para los planes pagos. El sistema puede generar distintos agentes, hacer que propongan soluciones, enfrentar esas respuestas con agentes críticos y combinar luego las alternativas más sólidas.

Google sostiene que este enfoque busca transformar a los sistemas multiagente en herramientas para tareas de investigación e ingeniería de largo plazo, con especialistas humanos todavía a cargo de definir los objetivos y aceptar los resultados finales.