Google Gemini 3.7 Flash ve Antigravity Teamwork, açık matematik problemlerini çözmeye başladı

A.I.D.A2 hafta önceSon Güncelleme: 1 Eylül 2026

0 4 4 dakikalık okuma

Google, Gemini 3.7 Flash modelini çok ajanlı yapay zeka sistemi Antigravity Teamwork ile bir araya getirerek matematikten işlemci simülasyonuna kadar uzanan dikkat çekici sonuçlar elde ettiğini açıkladı. Şirketin paylaştığı verilere göre yapay zeka ajanlarından oluşan ekipler, bazı çalışmalar üzerinde saatler hatta günler boyunca birlikte çalışarak birbirlerinin çözümlerini eleştirebiliyor, doğrulayabiliyor ve geliştirebiliyor.

Google’ın açıklamasındaki en dikkat çekici bölüm ise sistemin yalnızca kod üretmek için kullanılmaması. Teamwork ve Gemini 3.7 Flash kombinasyonu; teorik bilgisayar bilimi problemleri, matematiksel ispatlar, RISC-V işlemci simülasyonu ve açık kaynak yazılım optimizasyonları üzerinde de denenmiş durumda.

Google Antigravity Teamwork nedir?

Google Antigravity içerisinde bulunan Teamwork, tek bir yapay zeka ajanının bütün problemi çözmeye çalışması yerine birden fazla uzmanlaşmış ajanın aynı görev üzerinde koordineli biçimde çalışmasını sağlayan bir sistem.

Ajanlar çözüm önerileri oluşturabiliyor, diğer ajanların çalışmalarını inceleyebiliyor, hataları tespit edebiliyor ve gerektiğinde önceki aşamalara dönerek yeni çözümler geliştirebiliyor.

Google’ın belgelerine göre /teamwork-preview özelliği özellikle büyük yazılım projeleri, karmaşık simülasyonlar, kapsamlı araştırmalar ve matematiksel ispatlar gibi uzun süreli görevler için tasarlandı. Sistem, büyük problemleri daha küçük çalışma parçalarına ayırarak farklı ajanların bunlar üzerinde bağımsız şekilde çalışmasına ve sonuçların daha sonra doğrulanmasına imkân tanıyor.

Bu yaklaşım, günümüzde yaygın olan klasik yapay zeka sohbet sistemlerinden önemli ölçüde farklı. Kullanıcının sürekli yeni komutlar vermesi yerine ajan ekipleri belirlenen hedef doğrultusunda daha uzun süre otonom olarak çalışabiliyor.

Gemini 3.7 Flash ile yedi açık problem çözüldü

Google’ın paylaştığı sonuçlara göre Teamwork sistemi, Gemini modelleriyle birlikte matematik ve teorik bilgisayar bilimi alanlarında yedi açık problem üzerinde çözüm üretti.

Bunların arasında:

sparse convex optimization,
subspace approximation,
kanıtlanabilir LLM quantization yöntemleri,
vector embedding problemleri,
Prefix-Matrix Factorizations
ve Knuth’s Cycles Conjecture

gibi oldukça teknik araştırma problemleri bulunuyor.

Özellikle Knuth’s Cycles Conjecture çalışması dikkat çekiyor. Google, problemin çift tamsayı durumundaki iki daha basit yapı için geliştirilen ispatların Lean ispat doğrulama sistemiyle kontrol edildiğini belirtiyor.

Ortaya çıkan ispatların uzunluğu ise 40 ve 70 sayfayı aşabiliyor. Bu durum, çok ajanlı yapay zeka sistemlerinin yalnızca kısa matematik sorularında değil, uzun ve çok aşamalı formal ispatlarda da kullanılabileceğine işaret ediyor.

Burada önemli bir ayrıntı bulunuyor: Google’ın açıklaması, yapay zekanın matematiğin tamamında insan araştırmacıların yerini aldığı anlamına gelmiyor. Paylaşılan sonuçlar belirli problemler ve Google tarafından kullanılan deneysel çok ajanlı çalışma düzenekleriyle sınırlı.

TCSBench testinde yüzde 71 başarı

Google ayrıca Teamwork sistemini teorik bilgisayar bilimi problemlerini değerlendirmek amacıyla geliştirilen TCSBench üzerinde test etti.

Gemini 3.7 Flash ve Gemini 3.1 Pro modellerinin birlikte kullanıldığı Long Proof çalışma düzeni, Google’ın açıklamasına göre testte yüzde 71 başarı oranına ulaştı.

Önceki çalışmada Gemini 3.6 Flash ve Gemini 3.1 Pro kombinasyonu için bildirilen sonuç yüzde 67,7 seviyesindeydi. Google, yeni sonucu kendi dahili testlerindeki en yüksek TCSBench skoru olarak tanımlıyor.

Long Proof yaklaşımının temel fikri ise tek ve daha büyük bir modelden sürekli uzun cevaplar üretmesini istemek yerine, çok sayıda yapay zeka ajanını aynı ispat üzerinde organize etmek.

Böylece farklı ajanlar çözüm üretebiliyor, başka ajanlar bu çözümleri eleştirebiliyor ve sistem en güçlü matematiksel argümana ulaşana kadar süreci tekrarlayabiliyor.

Yapay zeka sıfırdan RISC-V işlemci simülatörü geliştirdi

Teamwork’ün başarıları yalnızca matematik alanıyla sınırlı değil.

Google’ın açıklamasına göre Gemini 3.7 Flash kullanan ajanlar, sıfırdan cycle-accurate ve out-of-order çalışan bir RISC-V CPU simülatörü geliştirdi.

Üstelik geliştirilen simülatör, eğitim ve araştırma dünyasında yaygın olarak kullanılan xv6 işletim sistemini açarak komut satırına kadar ulaşabiliyor.

Sistem ayrıca 100’den fazla standart RISC-V benchmark testini çalıştırabiliyor.

Gerçek donanıma yalnızca yüzde 0,71 hata

CPU simülatörleri geliştirilirken yalnızca komutların doğru sonuç üretmesi yeterli değil. Özellikle cycle-accurate simülasyonlarda işlemcinin komutları kaç saat çevriminde gerçekleştirdiğinin de gerçeğe oldukça yakın olması gerekiyor.

Google bu nedenle Teamwork tarafından geliştirilen simülatörü BOOM işlemci donanımından elde edilen gerçek çalışma verileriyle karşılaştırdı.

Şirketin paylaştığı sonuçlara göre daha önce görülmemiş test yüklerinde ortalama çevrim hizalama hatası yalnızca yüzde 0,71 oldu.

Bu sonuç yapay zeka ajanlarının sadece uygulama kodu yazmak yerine önbellekler, Reorder Buffer ve MSHR gibi mikro mimari bileşenleri içeren oldukça karmaşık mühendislik problemleri üzerinde de çalışabileceğini gösteriyor.

Gemini ajanları açık kaynak projelere de katkı yaptı

Google, Teamwork sistemini gerçek açık kaynak projelerde performans optimizasyonu yapmak için de kullandı.

Bunlardan biri, özellikle makine öğrenmesi ve bilimsel hesaplama projelerinde yoğun şekilde kullanılan C++ lineer cebir kütüphanesi Eigen oldu.

Teamwork, Eigen içerisindeki GeMV işlemlerinde tek satır veya tek sütundan oluşan matrisler için kullanılan yöntemin daha hızlı hale getirilebileceğini tespit etti.

Ajanların geliştirdiği çözümde doğrudan veri erişimi, SIMD işlemleri ve dört yönlü accumulator unrolling gibi optimizasyon teknikleri kullanıldı.

Google’ın açıklamasına göre geliştirilen değişiklik açık kaynak kod inceleme sürecinden geçerek Eigen projesinin upstream koduna dahil edildi.

ParlayHash performansı iki kata kadar arttı

Teamwork ayrıca yüksek performanslı eşzamanlı hash table kütüphanesi ParlayHash üzerinde yapılan Swiss Parlay çalışmasına katkı sağladı.

Google’ın paylaştığı benchmark sonuçlarına göre yeni yaklaşım:

64 thread kullanıldığında ilk ekleme işlemlerinde yaklaşık 2 kat daha yüksek throughput, tek thread kullanımında ise yaklaşık 1,5 kat daha yüksek genel performans sağladı.

Sistem aynı zamanda yüksek performanslı sıralı hash table çözümlerine yakın performans gösterirken öğe başına yaklaşık yüzde 25 daha az bellek kullanabiliyor.

Bu örnek özellikle önemli çünkü üretilen optimizasyonların yalnızca yapay zeka demosu olarak bırakılmadığını, gerçek açık kaynak geliştirme süreçlerine taşınabildiğini gösteriyor.

Gemini 3.7 Flash neden önemli?

Google, Gemini 3.7 Flash modelini 13 Ağustos 2026 tarihinde duyurdu.

Model, Gemini 3 ailesinin yeni Flash modeli olarak özellikle kodlama, yapay zeka ajanları, gelişmiş muhakeme ve araç kullanımı görevlerine odaklanıyor.

Gemini 3.7 Flash bir milyon token bağlam penceresini destekliyor ve Google tarafından özellikle büyük ölçekli agentic uygulamalar için konumlandırılıyor. Model Google AI Studio, Gemini API ve Google Antigravity dahil çeşitli Google platformlarında kullanılabiliyor.

Flash modellerinin öne çıkan avantajlarından biri hız ve maliyet tarafı. Çok ajanlı sistemlerde aynı problem üzerinde onlarca hatta yüzlerce model çağrısı yapılabileceği için kullanılan modelin hızlı ve görece ekonomik olması kritik önem taşıyor.

Google’ın Teamwork yaklaşımı da tam olarak bu noktada farklılaşıyor: tek bir son derece büyük model yerine çok sayıda hızlı ajanın organize edilmesi hedefleniyor.

Yapay zeka araştırmalarında yeni dönem başlayabilir

Gemini 3.7 Flash ile Antigravity Teamwork tarafından ortaya konan sonuçlar, yapay zeka sektöründeki önemli bir yön değişimini de gösteriyor.

Son birkaç yılda yapay zeka modellerinin performansı büyük ölçüde “tek bir modele soru sor ve cevap al” yaklaşımı üzerinden değerlendiriliyordu. Yeni nesil sistemlerde ise modeller giderek ajan ekipleri halinde çalışan dijital araştırmacılara ve mühendislere dönüşüyor.

Bir ajan çözüm geliştirirken başka bir ajan çözümü doğrulayabiliyor, üçüncü bir ajan alternatif yaklaşım arayabiliyor ve başka ajanlar test veya formal doğrulama işlemlerini gerçekleştirebiliyor.

Google Antigravity Teamwork’ün matematik, işlemci simülasyonu ve açık kaynak yazılım geliştirme alanındaki ilk sonuçları bu yaklaşımın potansiyelini gösteriyor.

Ancak paylaşılan sonuçların büyük bölümünün şimdilik Google tarafından yürütülen veya raporlanan deneylere dayandığını unutmamak gerekiyor. Bağımsız araştırmacıların aynı sonuçları yeniden üretmesi ve sistemlerin farklı problem türlerindeki başarı oranlarının daha geniş çalışmalarla ölçülmesi, yöntemin gerçek sınırlarını anlamak açısından önemli olacak.

Buna rağmen Gemini 3.7 Flash ve Teamwork kombinasyonu, yapay zeka ajanlarının gelecekte sadece kod yazan yardımcılar değil, uzun süreli araştırma ve mühendislik projelerinde aktif olarak çalışan dijital ekip üyeleri haline gelebileceğinin güçlü örneklerinden biri olarak öne çıkıyor.

Etiketler