Google Antigravity resuelve 7 problemas abiertos con agentes IA

Qué anunció Google en Antigravity

Google actualizó Teamwork, el marco multiagente que corre dentro de Antigravity, y lo combinó con su nuevo modelo Gemini 3.7 Flash. El resultado, según la compañía, fue un salto en problemas de investigación abierta: siete problemas matemáticos y de informática teórica cerrados, un simulador de CPU RISC-V construido desde cero y contribuciones que ya entraron en bibliotecas de código abierto.

Los números que Google destaca son los siguientes:

71% en TCSBench, el mejor resultado de la compañía en ese benchmark interno de problemas difíciles de teoría de la computación.
Conjetura de los Ciclos de Knuth verificada formalmente en Lean con pruebas de más de 40 páginas (y una segunda versión de más de 70 páginas).
Simulador RISC-V fuera de orden con precisión de ciclo, capaz de arrancar xv6 hasta la consola, con un 0,71% de desviación frente a la referencia de hardware.
Mejoras ya integradas en Eigen (rutas rápidas SIMD para multiplicación matriz-vector) y en ParlayHash, donde el diseño «Swiss Parlay» duplicó la velocidad de inserción con 64 hilos y redujo la memoria por entrada un 25%.

Teamwork funciona como un equipo de agentes que se critican entre sí antes de aceptar una propuesta. Un agente propone, otro busca el fallo, un tercero combina las piezas que sobreviven. Ese ciclo puede correr durante horas o días sin intervención humana; las personas solo marcan el objetivo y aprueban el resultado final.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Cómo está diseñado Teamwork

Google describe Teamwork no como un equipo monolítico sino como un marco de patrones que aplica estructuras distintas según el tipo de problema. Cada patrón define qué agentes participan, qué roles cumplen y qué criterios deben superarse para avanzar.

La pieza clave del diseño es la separación entre la lógica de orquestación y las descripciones de los agentes. Un patrón funciona como especificación, no como código ejecutable: el marco lo interpreta y activa a los agentes adecuados. Esto permite mover un bucle de crítica adversaria de un dominio a otro sin reescribirlo, y además vuelve a los patrones adaptativos en tiempo de ejecución: el sistema decide cuántos agentes crear según las exigencias del problema, en lugar de operar con un número fijo.

Según el reporte técnico recogido por OfficeChai, Teamwork incluye al menos tres patrones especializados:

Long Proof: pensado para matemáticas e investigación abierta. Genera varias estrategias en paralelo, asigna un crítico dedicado a cada una y conserva incluso las ideas de las rutas descartadas para iteraciones siguientes.
Self-Verification: una sola línea de razonamiento que se verifica y revisa a cada paso, similar al sistema Aletheia que Google mencionó a inicios de este año.
Un patrón orientado a tareas de código que pueden descomponerse en bloques independientes y repartirse entre agentes.

Google aclara que cinco de los siete resultados ya están disponibles como papers en arXiv, y que todos, salvo la prueba de Knuth, fueron revisados por expertos humanos además de por máquinas.

El contexto: Antigravity dentro de la guerra de agentes de código

Teamwork no llega en el vacío. Antigravity se convirtió en plataforma de desarrollo completa cuando Google presentó Antigravity 2.0 en Google I/O 2026, con aplicación de escritorio renovada, una CLI escrita en Go, un SDK para construir agentes personalizados e integraciones nativas con AI Studio, Firebase y Android, según reportó TechCrunch.

La categoría se ha calentado mucho en los últimos meses:

Microsoft / GitHub presentaron en Build 2026 el modo multiagente para VS Code y Project Polaris, su propio modelo interno que reemplazará a GPT-4 Turbo como motor por defecto de Copilot a partir de agosto, según TechTimes.
xAI lanzó Grok 4.6 enfocado en agentes de larga duración y tareas de código, disponible vía Cursor y API propia.
NVIDIA presentó en Computex Nemotron 3 Ultra, un modelo abierto de 550 mil millones de parámetros optimizado para flujos multiagente, que rinde a más de 300 tokens por segundo.

En precio, Google alineó su oferta con la competencia: el nuevo plan AI Ultra de US$100/mes ofrece cinco veces los límites del plan Pro, y el escalón superior bajó de US$250 a US$200, igualando el techo de Claude Max de Anthropic.

Qué significa esto para tu startup

Teamwork ya está disponible como vista previa (/teamwork-preview) dentro de Antigravity para todos los planes de pago. Para una startup técnica, hay tres lecturas prácticas:

1. Úsalo como banco de pruebas gratuito para investigación interna. Si tu equipo tiene problemas abiertos de optimización, simulaciones o análisis de código que llevan semanas sin cerrarse, Teamwork puede darte una segunda opinión en horas. Empieza por un problema bien acotado y compara el resultado con tu línea base.
2. Roba el patrón de separación orquestación/agente para tu propio stack. La decisión de Google de mantener la orquestación fuera de la descripción del agente es lo que permite mover patrones entre dominios. Si tu producto SaaS usa varios agentes, separá la lógica de coordinación del prompt de cada agente: vas a poder iterar sobre los flujos sin reescribir agentes.
3. Mide el coste real antes de escalar. Gemini 3.7 Flash es la primera vez que un modelo «Flash» (la línea más barata y rápida de Google) produce investigación a este nivel con la orquestación adecuada. Antes de subir un agente a producción, hacé la cuenta tokens-tarea-coste: un agente mal orquestado que valida errores de otros puede gastar cinco veces más que uno bien coordinado.

El detalle que muchos pasan por alto es que los mejores resultados de Teamwork no vienen de un agente más listo, sino de agentes más baratos (Flash) con mejor orquestación. Para founders con restricciones de margen, esa es la palanca que importa.