Contexte et architecture de /teamwork

Antigravity a lancé le système multi‑agents /teamwork, construit autour des modèles Gemini 4 Argon, Gemini 4 Carbon et Gemini 4 Hydrogen. Le cadre orchestre des agents spécialisés qui reçoivent uniquement les fichiers et outils nécessaires à chaque sous‑tâche, ce qui limite la dispersion de l’attention sur de longues fenêtres de contexte. Un coordinateur transmet les prompts aux patterns les plus adaptés, tandis que des critiques et auditeurs valident les résultats dans des contextes propres.

Mécanismes de vérification et de partition du contexte

Le design répond à deux limites des LLM classiques. Premièrement, la génération aléatoire d’une réponse unique peut manquer la solution correcte. /teamwork compense ce risque en lançant des explorations parallèles couplées à des falsificateurs automatiques : le vérificateur Lean 4, des suites de tests logiciels non modifiées, des simulateurs d’exécution, des recherches web ou des compteurs matériels. Deuxièmement, les modèles perdent des détails sur des tâches s’étalant sur plusieurs jours. En assignant à chaque agent un sous‑ensemble de fichiers et en faisant passer la main à un successeur « frais », le système conserve la traçabilité et évite l’accumulation de contexte.

Résultats scientifiques majeurs

Les collaborations humaines‑IA ont abouti à plusieurs résolutions d’open problems. En théorie de l’information, le pattern Long Proof a permis de prouver la conjecture Courtade–Kumar (2013) : aucun condensateur d’un seul bit ne préserve plus d’information qu’une fonction « dictateur ». Gemini 4 Argon a d’abord identifié des contre‑exemples, puis, avec Gemini 4 Carbon, a découpé l’espace de paramètres en 14 variables et a généré les bornes analytiques et les certificats d’arithmétique d’intervalles, le tout formalisé dans Lean 4 avec 50 millions de lignes de code.

Dans l’analyse de données adaptatives, Gemini 4 Argon a produit, puis vérifié dans Lean, des bornes d’échantillonnage quasi‑optimales pour des requêtes statistiques choisies de façon adaptative, comblant un écart ouvert depuis 2014 et conduisant au premier algorithme quasi‑optimisé en espace pour les flux de données avec insertions et suppressions face à des adversaires adaptatifs.

En informatique quantique, le système a construit la première fonction booléenne à n bits nécessitant strictement plus de n/2 requêtes quantiques à erreur constante, et a quantifié précisément le surcoût de requêtes pour les fonctions symétriques.

Sur les algorithmes combinatoires, une nouvelle méthode déterministe a résolu la question ouverte du STOC 2024 concernant la multiplication de matrices booléennes et la détection de triangles, obtenant un gain de vitesse au‑dessus du temps cubique. En géométrie haute dimension, un nouveau minorant a montré que l’approximation à facteur constant de toutes les distances paires parmi n points peut exiger un nombre d’arêtes polynomial en n, même avec des points de Steiner et un nombre illimité de sauts.

Enfin, les sketches sparses empilés ont brisé la barrière de sparsité classique en compression matricielle : ils ne nécessitent que √log r non‑zéros par ligne pour préserver les sous‑espaces de dimension r, soit un facteur quadratique inférieur au log r requis auparavant, et se rapprochent d’un nouveau minorant théorique. Le même cadre a produit le premier algorithme à passage unique pour la sparsification de coup sous flux dynamique d’insertion et suppression d’arêtes, répondant à une question laissée en suspens depuis FOCS 2022.

Implications et limites

Ces succès démontrent que la combinaison d’agents spécialisés, de vérificateurs formels et de partitions de contexte peut transformer la recherche ouverte. Cependant, chaque résultat dépend d’une infrastructure lourde : des modèles Gemini 4, des environnements Lean 4 et des ressources de calcul importantes. La reproductibilité hors du cloud Google reste incertaine tant que les outils /teamwork ne seront pas pleinement exposés aux utilisateurs externes. De plus, la vérification automatique ne garantit pas l’absence de biais dans les conjectures formulées par les humains, ce qui impose une supervision continue.