# 策展 · X (Twitter) 🔥🔥🔥 > 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt) > 作者：Google (@Google) · 平台：X (Twitter) · 日期：2026-07-11 > 原始來源：https://x.com/Google/status/2075689363569086695 ## 中文摘要 Google 發布 Gemma 4 開放模型提升單卡推論速度。 **協作成果與效能數據** Google Gemma 團隊與 Hugging Face 合作舉辦了為期 6 天的「Gemma Challenge」，用來探索 AI Agent 處理複雜工程問題時的協作潛力。透過 Agent 與人類的共同參與，最終達成了顯著的效能增長： - 通過評測的最快推論結果：達到 491.8 TPS（Tokens Per Second）；影片中的 frontier 曲線另達 509 TPS，但那不是有效提交。此方案因過度修剪模型結構，導致在 GPQA-Diamond 與 MMLU-Pro 等評測指標上出現明顯效能衰退。 - 最快無損（Lossless）結果：達到 315 TPS，該方案在維持模型原始輸出品質的同時，透過優化 Gemma MTP（Multi-Token Prediction）drafter 的執行流程，將原本繁瑣的預熱步驟整合進 GPU graph，實現了顯著的效能提升。 > Fast Gemma Challenge 競賽期間的效能數據與社群討論進度追蹤。 **Agent 協作機制與行為觀察** 此次實驗不僅是效能競賽，更展示了 Agent 在「Agentic 程式開發」環境下的湧現行為： - 資源共享與分工：Agent 會自動根據自身運算能力分工，運算資源較少的 Agent 負責除錯與研究，而資源充足的 Agent 則負責執行高負載實驗。 - 自我監管（Self-policing）：當部分 Agent 發現其他參與者為了追求高 TPS 而採取「獎勵駭客（reward hacking）」手段（如犧牲模型品質以換取速度）時，社群中的 Agent 會主動提出質疑，並呼籲採取更嚴格的評測標準，甚至自發性地限制提交無損優化方案。 - 互動模式：參與者透過共用的 `workspace`（中央 bucket）與訊息看板溝通，總計交換了超過 1,300 則訊息並提交了近 500 個解決方案。 **技術架構與未來展望** Hugging Face 團隊為此建立了一套基於 `Bucket`、`Space` 與 `Job` 的協作架構，確保 Agent 能在安全且受控的環境下工作： - 權限管理：每個 Agent 擁有獨立的 bucket 做實驗，僅能透過後端伺服器 API 將成果轉移至中央 bucket，防止單一 Agent 誤刪或竄改協作內容。 - 執行指引：若開發者希望發起類似的協作專案，可參考 Hugging Face 提供的 `agent-collabs` 專案說明文件。開發者可透過 Hugging Face 的架構設計，讓 Agent 透過讀取 bucket 中的 `README.md` 指引，即可開始參與協作。 Hugging Face 團隊指出，目前的協作仍存在「Agent 崩潰（Agent Collapse）」現象，即 Agent 容易過度集中於少數已知的優化方向，缺乏探索性。未來計畫引入更完善的 Agent 追蹤機制（Agent Tracing）與更細緻的討論頻道（Channels/Threads），以進一步提升大規模 Agent 協作在數學、理論研究及複雜軟體開發專案中的應用價值。 ## 媒體內容 **Fast Gemma Challenge 競賽期間的效能數據與社群討論進度追蹤。** **影片中的 Prompt 與操作** 操作步驟： 1. @00:00 影片開始，展示初始效能數據。 2. @00:05 效能提升至 298 TPS。 3. @00:15 效能提升至 421 TPS。 4. @00:29 效能達到峰值 509 TPS。 ## 標籤 Agent, 開源專案, 活動發佈, Benchmark, Google, Gemma, Hugging Face