Google Antigravity schickt Agententeams in Langzeitaufgaben

Google hat am 31. August 2026 laut eigenem Blog Antigravity Teamwork mit Gemini 3.7 Flash vorgestellt. Autonome Agententeams sollen damit komplexe Aufgaben über Stunden oder Tage gemeinsam bearbeiten, sich gegenseitig kritisieren und ihre Ergebnisse schrittweise verbessern.

Der Anspruch ist groß: Antigravity soll aus mehreren Modellläufen einen belastbaren Arbeitsprozess für lange Forschungs- und Engineering-Aufgaben machen. Ob dieser Ansatz außerhalb der gezeigten Versuche trägt, bleibt die zentrale offene Frage.

Zusammenarbeit über Stunden statt Einzelantworten

Google beschreibt Teamwork als Rahmen für autonome Agententeams, die Arbeit aufteilen, Kritik austauschen und über lange Zeiträume iterieren. Damit zielt das System auf Aufgaben, bei denen ein einzelner kurzer Modelllauf nicht genügt.

Das ist der Prüfstein.

Ein längerer Lauf kostet schließlich Zeit und Rechenleistung. Die zusätzliche Koordination ist deshalb nur dann ein Fortschritt, wenn die beteiligten Agenten Fehler tatsächlich erkennen und korrigieren, statt falsche Annahmen lediglich untereinander weiterzureichen. Googles Beispiele setzen dafür eine hohe Messlatte.

Vom offenen Problem zum CPU-Simulator

Nach Angaben von Google löste Teamwork mit Gemini 3.7 Flash sieben offene Probleme aus FOCS und JMLR und erreichte 71 Prozent auf TCSBench. Die Kombination aus konkreten Forschungsproblemen und einem Benchmarkwert soll zeigen, dass das System sowohl einzelne Beweise als auch eine breitere Aufgabensammlung bewältigt.

Anschaulicher wird der Ansatz im Systems Engineering. Laut Google baute das Agententeam einen zyklusgenauen Out-of-order-RISC-V-CPU-Simulator von Grund auf, der das Betriebssystem xv6 bis zur Shell startet und bei der Zykluszählung um 0,71 Prozent von der Hardware-Ground-Truth abweicht.

Google berichtet außerdem von Optimierungen, die in Eigen und ParlayHash übernommen worden seien. Bei ParlayHash habe sich der Insert-Durchsatz verdoppelt, während der Speicherbedarf um 25 Prozent sank. Solche Änderungen sind greifbarer als eine abgeschlossene Demo, weil sich sowohl der übernommene Code als auch seine Leistung unabhängig untersuchen lassen.

Starke Zahlen, begrenzte Aussagekraft

Tilnote ordnet die von Google genannten 71 Prozent auf TCSBench und die 0,71 Prozent Zyklusabweichung ausdrücklich als selbst berichtete Resultate ein. Das entwertet die Versuche nicht, begrenzt aber ihren Nutzen für Kauf-, Architektur- oder Prozessentscheidungen: Anbieterwerte zeigen zunächst, was unter den vom Anbieter gewählten Bedingungen funktioniert hat.

Der RISC-V-Simulator verbindet immerhin mehrere überprüfbare Anforderungen in einem Ergebnis. Das System musste einen Simulator erzeugen, xv6 bis zur Shell bringen und sich anschließend an Hardwaredaten messen lassen. Aus einem gelungenen Lauf folgt jedoch noch keine verlässliche Erfolgsquote für andere Aufgaben, Umgebungen oder wiederholte Durchgänge.

Der nächste Test gehört den Nutzern

Googles Beispiele reichen von Mathematik über Systems Engineering bis zur Optimierung von Open-Source-Software. Diese Spannweite spricht dafür, Teamwork nicht als Speziallösung für eine einzelne Benchmarkklasse abzutun. Als Beleg für einen allgemein belastbaren Langzeitbetrieb reicht sie allein aber nicht.

Ein eigener Test braucht deshalb vorab ein überprüfbares Ziel, einen Vergleichsmaßstab und klare Abbruchkriterien. Danach zählt, ob mehrere Durchgänge das Ergebnis reproduzieren und ob die Teamkoordination gegenüber einem kürzeren Einzelagenten-Lauf tatsächlich einen Vorteil liefert.

Googles Zahlen liefern den Anlass. Den Beleg müssen Praxistests liefern.