谷歌让AI互怼几天！小模型竟复现3道博士级难题

新智元报道

如果不看名字，你肯定会以为这又是一个强大到不能公开发行的顶级模型，甩出的一份「开挂」战绩：

做科研：一口气解开7道顶尖数学和计算机难题，交出的40页长篇证明连最严苛的机器审核都挑不出错；

干工程：从零手写了一个极度逼真的CPU模拟器，不仅成功启动系统，运行误差0.71%；

写代码：顺手把Eigen和ParlayHash两个主流开源库的核心代码给优化了，改动直接被上游维护者合并。

这是谷歌Antigravity团队8月27日刚亮出的一张成绩单。

在Teamwork技术长文中，谷歌Antigravity团队集中公布数学、系统与开源三类成果。

让人意外的是，这次扛大梁的不是什么算力吞金兽，而是主打「快和便宜」的小模型：Gemini 3.7 Flash。

谷歌官方甚至定调：这是Flash级模型第一次做出博士级的数学研究成果。

便宜模型凭什么能够越级打怪？

秘密不在参数里，而在一套名为Teamwork的多智能体编排框架。

谷歌真正想向行业传递的信号是：不是Flash突然变聪明了，而是干活的组织方式变了。

Pro主导探索

Flash成功复现

谁是这张成绩单的主角，谷歌的技术长文给出了非常严谨的界定：

7项数学与理论计算机科学结果，最初全部由Gemini 3.1 Pro在Teamwork的长证明模式下拿下。

但惊艳之处在于，其中3项硬核成果，被Gemini 3.7 Flash给完整复现了。

这3项绝不是用来凑数的边缘问题：ℓp子空间近似的coreset构造、最大内积嵌入的维度下界、以及把领先常数直接压低约5.93倍的Hadamard量化。

每一项，都是正儿八经的学术界开放难题。

剩下的4项则由3.1 Pro独挑大梁，包括稀疏凸优化的条件数下界、前缀矩阵分解的近似最优下界、Knuth's Cycles难题，以及在断网条件下独立重现的Erdős单位距离问题。

不仅如此，那个刷新谷歌内部记录的TCSBench评测71%最高分，也是3.7 Flash与3.1 Pro强强联手跑出来的，直接超越了上一代3.6 Flash搭3.1 Pro拿下的67.7%纪录。

其中，真正值得我们注意的信号是：

只要把编排框架搭对，像Flash这样主打轻量的小模型，完全能把旗舰模型做出来的研究重新跑通一遍。

这足以刷新我们对「小模型能干什么」的认知边界。

Teamwork把「找茬」做成硬核制度

Teamwork是Antigravity团队开发的多智能体编排框架。

你只需敲一个/teamwork-preview，Gemini就会读完提示词自己挑模式，当场摇人组建一个「AI专家团」，一跑就是几小时甚至几天。

前文提到的数学成果，全出自其中的长证明（Long Proof）模式。

它的设计思路极其反直觉：不靠堆砌参数，而是靠让一群Flash聚在一起互相「挑刺、抬杠、挑软肋」。

那这帮AI到底是怎么开会的？拆解下来总共有四步：

第一步：疯狂内卷的「竞争策略搜索」。

系统会同时孵化一堆候选方案，并给每个方案指派一个专职的「抬杠专员」，唯一KPI就是把这个方案驳倒。

有意思的是，被喷到体无完肤的方案绝不直接扔进回收站，而是带着满身反对意见留在流程里。

毕竟，在一条走不通的「歪路」里，往往藏着能救命的灵感。

第二步：按图索骥，「精准拆解」。

一旦选定靠谱的策略，系统就会把它拆成一堆带依赖关系的子问题，画成严密的拓扑图。能并行的独立推进，有先后顺序的就乖乖排队。

第三步：疯狂内卷的「内部锦标赛」。

每个子问题内部再开一局淘汰赛，节点一边读候选方案，一边看毒舌批评，合力揉搓出一个升级版。

如果综合失败，就带着累积的反对意见重跑，直到把漏洞补死。

第四步：吃一堑长一智的「跨轮学习」。

失败的草稿原封不动留给下一轮，验证器踩过的每个大坑统统沉淀进「陷阱登记簿」。

走过的死路、证出的结论，全部实时同步到共享知识库里，供全员随时调用。

Long Proof模式的锦标赛网络：候选策略各配一名falsifier，被否路线带着反对意见留在流程中。

这一套流程跑下来，与其说它是个冷冰冰的超级大脑，不如说它复刻了一个极其残酷、谁也别想浑水摸鱼的学术组会。

在这里，谁的方案都得先被狂撕几轮，撕不烂的硬骨头才能顺利通关。

这就直接治好了传统多智能体最容易犯的群体癔症：

以往一个AI一不小心带偏了节奏，其他AI就会盲目当「应声虫」，最后在错误的地基上越盖越高。

Teamwork的杀手锏，不过是把「互相找茬」，实打实地变成了一套谁也无法逃避的硬核制度。

Knuth难题的真相

关于这7项成果，最引人注目、也最容易被误读的，莫过于高德纳（Donald Knuth）提出的Knuth's Cycles难题。

事实上，这道题在今年春天就已经被AI接力解完了。

Donald Knuth，2023年斯坦福圣诞讲座。

今年2月底，Claude Opus 4.6仅用了一小时左右，就闪电般给出了奇数情形的构造，逼得高德纳在论文开头连写两个「Shock!」。

紧接着，gpt-5.3-codex与GPT-5.4 Pro等模型接力登场，把最难啃的偶数情形也给补全了。

到了4月中旬，高德纳在论文修订版中明确盖章：偶数情形已经毫无悬念。

那谷歌这次做了什么？

简单来说，谷歌为偶数情形找到了两个更优雅、更简单的新构造，并顺手砸出了两份长达40多页和70多页的首批长篇证明。

其中那份40多页的硬核证明，更是通过了Lean形式化验证，连机器都完全挑不出毛病。

这当然是相当扎实的学术贡献，但它的真正意义在于「给出了更漂亮的证明」，而不是真正意义上的从零破局。

这反而显示出Teamwork真正强大的地方：

它没有去补齐某一个单体模型的「孤岛智商」，而是通过制度化的博弈与编排，彻底治好了多智能体一盘散沙、互相附和的协作短板，释放出「群体智慧」。

从定理到Shell

这回真是Flash干的

同一套找茬机制，谷歌换个模式，直接拿去啃了硬核工程。

这一次技术长文明确写着「使用Gemini 3.7 Flash」。Teamwork从零构建了一个周期级、乱序执行的RISC-V CPU模拟器。

乱序执行是现代高性能CPU的标配，也是模拟器最容易写崩的地方。

Teamwork分两步走：先保证微架构功能正确，自己写乱序流水线和重排序缓冲，成功把xv6操作系统启动到Shell；再逐周期对齐时序。

Teamwork构建的RISC-V模拟器启动xv6内核并进入Shell的过程。

最难的一关，谷歌称之为「静默执行鸿沟」。

模拟器的微架构状态可能在几百个周期里悄悄跑偏，等架构层面报错时早已找不到根源。

Teamwork的解法是把参考模拟器Spike沙箱化隔离，防止智能体作弊抄袭，然后全程锁步协同仿真，每一步都对账。

最终，这套模拟器跑通了100多个RISC-V标准基准，在未见过的测试负载上，与BOOM硬件的平均周期误差仅为0.71%。

谷歌披露：Teamwork模拟器与BOOM硬件的周期对齐对比，未见测试负载上平均误差0.71%。

不过这里需要说清楚的，这是软件层面的模拟器，绝不是RTL芯片设计，更谈不上流片造芯。

真刀真枪开源实战

AI科研下半场拼的是落地与验收

相比于数学和模拟器，最后一类成果看着最不起眼，证据却最硬核。

Eigen是C++世界里应用极广的高性能线性代数库。

Teamwork在其中揪出了一处单行或单列矩阵向量乘的次优实现，并直接手搓了一条SIMD快速路径。

而在并发哈希表ParlayHash中，Teamwork则引入了Swiss Table的优化思路，让64线程的初始插入吞吐直接翻倍，单线程整体吞吐提升1.5倍，同时每个元素还少用了25%的内存。

这两处改动绝不是闭门造车的自嗨跑分，而是老老实实走完了严苛的开源代码评审，被外部人类维护者正式合并到上游分支里的真代码。

比跑分更值得留意的，是一篇数学论文末尾的一句作者声明：证明先由谷歌内部的Gemini智能体系统做出，再由作者核验、编辑。

智能体负责在无尽的草稿纸上疯狂探索，人类则负责签字和最终验收。这才是眼下AI科研最真实的分工。

谷歌自己说得很清楚：这些问题原本要顶尖专家啃上几个月，Teamwork压缩的是试错周期，方向盘和最后签字权，还在人手里。

AI科研的下半场，比的已经不是谁的模型参数更大，是谁的AI团队组得更好。

模型越便宜、越像随用随取的日用品，人类的验收和把关就越值钱。

以前，人是解题的人。现在，人是出题和验收的人。

高德纳给Claude找到的构造手写了证明，后来得知有人用Lean验证了它，他说「这真是件好事」，因为自己「最近越来越容易出错」。

连88岁图灵奖得主的证明都要过验证器这一关，AI写的证明更不能例外。

解题的活，机器会越干越多。验收这一关，一定要有人守着。

参考资料：

https://antigravity.google/blog/teamwork-when-ai-becomes-a-research-partner

https://www-cs-faculty.stanford.edu/~knuth/papers/claude-cycles.pdf

编辑：元宇