Bei CooperBench verbrauchten die Agenten 15–20 % ihres Token-Budgets für Nachrichten untereinander. Das senkte die Konflikte beim Zusammenführen um etwa 30 %, erhöhte aber nicht den Anteil fertig gestellter Funktionen.
Zurück zum Trend des Tages: Ein Team von KI-Helfern baut jetzt rund um die Uhr seine eigene Software
Poly-Ranking · aus dem Trend des Tages
KI-Coding-Agent-Team gegen einen Agenten: Die Top 9 von 2026
Zwei führende KI-Coding-Agenten, die als Paar arbeiten, lösen nur etwa 25 % der CooperBench-Aufgaben. In einem Codex-Test ließ das Hinzufügen von Unteragenten den Wert unverändert bei 71,0 %, während die Tokens pro gelöster Aufgabe von 7,69 Mio. auf 24,12 Mio. stiegen.
- Nr. 1: Gas Town
- 9 Plätze
01Endgültige Liste
Die führenden KIs haben unabhängig voneinander eigene Top-10-Listen erstellt. Oben steht ein gemeinsames Ergebnis, das leicht zu prüfen ist: Jeder Platz hat einen Grund, die KIs, die ihn aufgenommen haben, und – wo die KIs eine nannten – eine Quelle.
Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.
- 1
Gas Town
Betreibt 20–30 Claude-Code-Instanzen. Ein Prüfer sah an einem Abend 6 von 7 Änderungen am Code zusammengeführt, fand eine Woche später aber 141 verwaiste Prozesse. Die gemessenen Kosten lagen laut Bericht bei rund 100 $ pro Stunde.
Aufgenommen: Meta, Nemotron, Nova, DeepSeek. Nicht aufgenommen: Wenxin.In ihren Listen: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2
Was jede KI angemerkt hat 4
- MetaPlatz 2
20–30 Claude-Code-Instanzen an einer Codebasis, mit einem einzigen Agenten für die Merge-Warteschlange — das ausgereifteste Ledger-/Übergabe-Modell, aber laut Berichten 100 Dollar pro Stunde an Token-Verbrauch
Quelle ↗ - NemotronPlatz 2
Eine Flotte aus drei Agenten erreicht bei langen Terminal-Bench-Aufgaben 91% Bestehensquote — ein einzelner Agent fällt auf 67%
- NovaPlatz 9
Zusammengeführte Änderungen von Agenten signiert, vom Menschen angenommen
- DeepSeekPlatz 2
Sechs von sieben PRs wurden zusammengeführt, während der Prüfer beim Abendessen war; eine Woche später hinterließ dasselbe Setup 141 verwaiste Claude-Prozesse.
Quelle ↗
4 KIs setzten es hierher - 2
Claude-Code-Agent-Teams
Die Dokumentation von Anthropic besagt, dass ein Team im Planungsmodus etwa das Siebenfache der Tokens einer einzelnen Sitzung verbraucht. Ein einzelner CircleCI-Fehlertest ergab für das Team einen größeren Gewinn: 17,27 gegenüber 9,87 Punkten.
Aufgenommen: Meta, Nova, DeepSeek. Nicht aufgenommen: Nemotron, Wenxin.In ihren Listen: Meta: 3 · Nova: 1 · DeepSeek: 5
Was jede KI angemerkt hat 3
- MetaPlatz 3
Isolierte Kontextfenster mit 1 Mio. Token pro Teammitglied — laut Anthropic-Dokumentation 7-fach höherer Token-Aufwand im Planungsmodus, dafür ersetzen ausdrückliche Nachrichten blinde Konflikte
Quelle ↗ - NovaPlatz 1
2,3 Punkte Gewinn durch parallele Worker bei 3,3× Token-Kosten, angenommene Zusammenführungen in Spool
Quelle ↗ - DeepSeekPlatz 5
Eine App mit 52 Fehlern verbesserte sich im Team um 75% mehr, aber die Zweier-Paare bei CooperBench erreichten 25% gegenüber ∼50% allein.
Quelle ↗
3 KIs setzten es hierher - 3
AgentRadio
Der größte hier gemessene Gewinn: Vier Agenten, die über einen gemeinsamen Nachrichtenkanal verbunden waren, stiegen von 32,3 % bei einem einzelnen Agenten auf 62,1 % und schlugen damit ein neueres Einzelmodell mit 57,2 %. Nur eine Quelle berichtet das.
Aufgenommen: DeepSeek. Nicht aufgenommen: Meta, Nemotron, Nova, Wenxin.In ihren Listen: DeepSeek: 1
Was jede KI angemerkt hat 1
- DeepSeekPlatz 1
Vier Agenten auf einem asynchronen Nachrichtenbus hoben einen Einzelwert von 32,3% auf 62,1% — und schlugen ein neueres Einzelmodell mit 57,2%.
Quelle ↗
1 KIs setzten es hierher - 4
Cursor-Agentenschwarm
Jede Konfiguration baute SQLite neu und erreichte bei den Tests 100 %. Die Kosten der Arbeitsagenten lagen jedoch je nach Modellmischung zwischen 411 $ und 9.373 $, ein Unterschied um das 22-Fache. Eine Basis mit einem einzelnen Agenten gibt es nicht.
Aufgenommen: Meta, Nemotron, Nova, DeepSeek. Nicht aufgenommen: Wenxin.In ihren Listen: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3
Was jede KI angemerkt hat 4
- MetaPlatz 6
Cursor glänzt bei Korrekturaufgaben mit 80,4% gegenüber dem Einzelbetrieb — die Teamverteilung teilt das Kontingent, stößt aber an dieselbe Wochengrenze wie Claude Max
- NemotronPlatz 5
Parallelbetrieb direkt in der Entwicklungsumgebung (IDE) — 9 Prozentpunkte Gewinn, 1,6× Token, aber keine dokumentierte Nachrichtenübermittlung zwischen Agenten
- NovaPlatz 6
Leistung nach Aufgabenstufen, keine Team-Benchmarks
- DeepSeekPlatz 3
Derselbe SQLite-Test lief zu 100% durch, während die Worker-Ausgaben in einer Konfiguration 411 Dollar und in einer anderen 9.373 Dollar betrugen.
Quelle ↗
4 KIs setzten es hierher - 5
OpenAI-Codex-Unteragenten
Kein Gewinn bei etwa dem Dreifachen der Kosten. SWE-bench blieb in beiden Fällen bei 71,0 %, während sich die Tokens pro gelöster Aufgabe verdreifachten. Bei Terminal-Bench brachten 9,01 $ gegenüber 25,80 $ pro Aufgabe dieselben 71,67 %.
Aufgenommen: Meta, Nemotron, Nova, DeepSeek. Nicht aufgenommen: Wenxin.In ihren Listen: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4
Was jede KI angemerkt hat 4
- MetaPlatz 4
Codex schreibt, Claude prüft — 59,6–88,6% Annahmequote für Codex allein, 92,3% bei Dokumentation für Claude Code; die asymmetrische Paarung schlägt den Einzeleinsatz
Quelle ↗ - NemotronPlatz 3
Ein Open-Source-Team erreicht bei CooperBench das Niveau proprietärer Systeme — doch die Nachrichten verbrauchen 38% der Token
Quelle ↗ - NovaPlatz 5
Fokus auf einen Agenten, keine Kennzahlen zur Teamkoordination
- DeepSeekPlatz 4
Die Bestehensquote von Codex bewegte sich bei SWE-bench nicht — 71,0% in beiden Fällen —, doch neun Aufgaben ließen sich nur mit Parallelbetrieb lösen.
Quelle ↗
4 KIs setzten es hierher - 6
Claude Code, parallele Unteragenten
Gegensätzliche Ergebnisse: Bei LoopsBench stiegen die vollständig gelösten Aufgaben auf das Dreifache (von 7,1 % auf 21,4 %), doch bei SWE-bench Verified fiel der Wert von 83,0 % auf 59,0 %. Dieser Rückgang ist größer als die in der Hauptaussage der Studie genannte Spanne von 11,9 Punkten und deshalb umstritten.
Aufgenommen: Nova, DeepSeek. Nicht aufgenommen: Meta, Nemotron, Wenxin.In ihren Listen: Nova: 2 · DeepSeek: 8
Was jede KI angemerkt hat 2
2 KIs setzten es hierher - 7
Kimi Code, parallele Agenten
Koordiniert 300 Agenten bei 4- bis 8-fach niedrigeren Kosten als Spitzenmodelle, doch ein Blog berichtet, dass parallele Arbeiter dessen SWE-bench-Erfolgsquote von 77 % auf 59 % senkten. Diese Zahl stammt nur aus einer Quelle.
Aufgenommen: Nemotron, Nova, DeepSeek. Nicht aufgenommen: Meta, Wenxin.In ihren Listen: Nemotron: 7 · Nova: 3 · DeepSeek: 7
Was jede KI angemerkt hat 3
- NemotronPlatz 7
Der Parallelansatz von Moonshot — 2,3 Prozentpunkte Gewinn bei 1,4× Token, beste Effizienz, aber kurze Erfolgsbilanz
Quelle ↗ - NovaPlatz 3
Keine veröffentlichten Team-Kennzahlen, wenig öffentliche Bilanz zusammengeführter Arbeit
- DeepSeekPlatz 7
Kimi kann 300 Agenten koordinieren und kostet 4–8× weniger, doch parallele Worker senken seine SWE-bench-Bestehensquote von 77% auf 59%.
Quelle ↗
3 KIs setzten es hierher - 8
MetaGPT / ChatDev
Die älteren Rollenspiel-Teams verlieren gegen einen einzelnen Agenten: Dieser schlug sie bei 10 Aufgaben und verlor selbst bei einer. ChatDev erreichte bei ProgramDev nur 33,3 % Korrektheit.
Aufgenommen: Nemotron, DeepSeek. Nicht aufgenommen: Meta, Nova, Wenxin.In ihren Listen: Nemotron: 8 · DeepSeek: 10
Was jede KI angemerkt hat 2
- NemotronPlatz 8
Rollenspiel-Agenten (Produktmanagement, Entwicklung, Qualitätssicherung) — 8 Prozentpunkte Gewinn, aber 2,7× Token; 34% Mehraufwand durch Nachrichten
Quelle ↗ - DeepSeekPlatz 10
ChatDev erreichte bei ProgramDev 33,3% Korrektheit — unter der Einzelagenten-Basislinie, die es eigentlich schlagen sollte.
Quelle ↗
2 KIs setzten es hierher - 9
GitHub Copilot Agent HQ
Betreibt Copilot, Claude und Codex nebeneinander in einem Code-Projekt, veröffentlicht aber keine Erfolgsquote für Team gegenüber einzelnem Agenten. Ob das Team den einzelnen Agenten schlägt, ist daher unbekannt.
Aufgenommen: Nova, DeepSeek. Nicht aufgenommen: Meta, Nemotron, Wenxin.In ihren Listen: Nova: 4 · DeepSeek: 9
Was jede KI angemerkt hat 2
- NovaPlatz 4
Keine öffentlichen Team-Benchmarks, stützt sich auf Nutzerberichte
- DeepSeekPlatz 9
Es stellt Copilot, Claude und Codex in einem Repo nebeneinander, veröffentlicht aber keine Erfolgsquote Team gegen Einzelbetrieb.
2 KIs setzten es hierherkeine Quelle angegeben
02Wissenswert
Was den KIs beim Erstellen der Liste aufgefallen ist.
Menschliche Entwicklerpaare lösten unter denselben Regeln 9 von 10 CooperBench-Aufgaben, Agenten dagegen nur 3 von 10. Das Scheitern liegt an der Abstimmung, nicht an der Schwierigkeit des Programmierens.
Ein Codex-Lauf mit 1.393 Unteragenten kostete in etwa 19 Stunden rund 19.300 $. Ein Entwickler von OpenAI Codex sagte danach, dass mehr als zwei parallele Agenten so gut wie sicher Tokens verbrauchen, ohne die Qualität zu verbessern.
Vals AI fand heraus, dass das teuerste Team-Setup mit Opus 30-mal so viel kostete wie das günstigste (122 $ gegenüber 4,08 $) für einen Gewinn von 1,6 Punkten (93,2 gegenüber 91,5), der statistisch nicht signifikant war.
Der Rückgang bei CooperBench wird auf zwei Arten angegeben: etwa 50 % weniger als allein (25 % absoluter Erfolg) und „mindestens 30 % durchschnittlicher Rückgang“ in der Zusammenfassung. Das sind unterschiedliche Ausgangswerte, nicht dieselbe Zahl.
03Was Leute fragen
Was ist ein KI-Coding-Agent?
Ein KI-Coding-Agent ist ein modellgesteuertes Werkzeug, das ein Code-Projekt liest, Dateien bearbeitet, Tests laufen lässt und sich Schritt für Schritt einem Ziel nähert. Als CooperBench zwei solche Agenten bei 652 Aufgaben als Paar einsetzte, lösten sie nur in etwa 25 % der Fälle erfolgreich.
Quelle ↗Wie arbeiten KI-Coding-Agenten?
Sie durchlaufen in Schleifen Planen, Bearbeiten, Tests laufen lassen und erneuten Versuch. Mit eingeschalteten parallelen Unteragenten steigt der Tokenverbrauch auf das 1,41- bis 3,31-Fache eines nacheinander laufenden Durchgangs, weil jeder Unteragent seinen eigenen Kontext lädt.
Quelle ↗Können KI-Agenten zusammenarbeiten?
Ja, aber noch nicht gut. Zweier-Teams erreichten bei CooperBench etwa 25 %, also ungefähr die Hälfte eines einzelnen Agenten, der beide Funktionen erhält. Manche Zusammenfassungen nennen das einen Rückgang von 30 %, weil sie einen anderen Ausgangswert verwenden.
Quelle ↗Wie arbeiten KI-Agenten zusammen?
Sie teilen Aufgabenlisten, schreiben einander und führen Entwicklungszweige zusammen. Gas Town koordiniert 20–30 Claude-Code-Instanzen über ein auf Git gestütztes Protokoll und eine einzige Warteschlange zum Zusammenführen.
Quelle ↗04So haben wir gezählt
In einfachen Worten, ohne Formeln.
1Die Frage
Die 10 besten KI-Coding-Agent-Teams, geordnet danach, ob sie einen Agenten schlagen, der allein arbeitet
2Warum dieses Thema
Es stellt einen Kooperationstest, eine Studie zu den Token-Kosten und echte Aufzeichnungen zusammengeführter Arbeit nebeneinander, damit Sie sehen, wann ein Agenten-Team einen einzelnen Agenten tatsächlich schlägt und wann es vor allem Gerede erzeugt.
3Wofür es gilt
weltweit, KI-Softwareentwicklung
4Worauf wir geachtet haben
- Erfolgsquote des Teams bei gemeinsamen Programmieraufgaben, neben einem einzelnen Agenten mit derselben Gesamtarbeit
- Veränderung der Erfolgsquote, wenn parallele Arbeiter hinzugefügt werden, verglichen mit den zusätzlichen Tokens, die sie verbrauchen
- Anteil des Budgets, der für Nachrichten der Agenten untereinander statt fürs Schreiben von Code ausgegeben wird
- Ob das Setup über Tage läuft und ein Mensch jede Änderung annimmt, beurteilt nach dem öffentlichen Verlauf zusammengeführter, von den Agenten signierter Arbeit
- CooperBench (Stanford University und SAP Labs US) — Erfolg eines Zweier-Teams bei 652 kooperativen Programmieraufgaben aus 12 Open-Source-Bibliotheken, gegenüber einem Agenten, der beide Funktionen erhält; Anteil der Tokens, der für Nachrichten ausgegeben wird
- Studie zu parallelen Unteragenten, arXiv 2610.10263 (Codex, Claude Code, Kimi Code) — Veränderung der Erfolgsquote bei eingeschalteten parallelen Arbeitern (Rückgang um 11,9 Punkte bis Gewinn um 2,3 Punkte) und Tokenverbrauch (das 1,41- bis 3,31-Fache eines nacheinander laufenden Durchgangs)
- Dokumentation von Anthropic zu Agenten-Teams in Claude Code — die eigene Beschreibung des Herstellers zum Tokenverbrauch eines Teams im Vergleich zu einer einzelnen Sitzung
- Öffentliche Aufzeichnungen auf GitHub (Gas Town, Spool) — von Agenten signierte Änderungen, die ein Mensch zusammengeführt hat, getrennt von der Anzahl der Sterne
5Wer gerankt hat
Die führenden KIs: Meta, Nemotron, Nova, Wenxin, DeepSeek. Jede hat unabhängig ihre eigene Zehnerliste erstellt und für jeden Platz eine Quelle genannt.
6Wie die Plätze festgelegt wurden
Derselbe Eintrag, von verschiedenen KIs unterschiedlich formuliert, wurde als einer gezählt. Je mehr KIs einen Eintrag auf ihre Liste setzten und je höher, desto höher sein Platz. „Einigkeit der KIs“ zeigt, wie viele KIs ihn auf ihrer eigenen Liste hatten. Quellen sind nur die, die die KIs selbst gefunden haben; nichts wurde von Hand ergänzt.
05Die Liste jeder KI
🇺🇸 Meta10 Plätze · 3 Hinweise
Dieselbe Frage, allein von Meta beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Spool (enes-alatas/spool)
Vier Claude-Schleifen bauten tagelang ihre eigene Fabrik — PRs mit „Co-Authored-By: Claude Opus 5.5“ wurden nach dem Austausch über Telegram/Slack zusammengeführt
Quelle ↗ - 2Gas Town
20–30 Claude-Code-Instanzen an einer Codebasis, mit einem einzigen Agenten für die Merge-Warteschlange — das ausgereifteste Ledger-/Übergabe-Modell, aber laut Berichten 100 Dollar pro Stunde an Token-Verbrauch
Quelle ↗ - 3Claude-Code-Agententeams (nativ von Anthropic)
Isolierte Kontextfenster mit 1 Mio. Token pro Teammitglied — laut Anthropic-Dokumentation 7-fach höherer Token-Aufwand im Planungsmodus, dafür ersetzen ausdrückliche Nachrichten blinde Konflikte
Quelle ↗ - 4OpenAI Codex + Claude Code als Prüfpaar
Codex schreibt, Claude prüft — 59,6–88,6% Annahmequote für Codex allein, 92,3% bei Dokumentation für Claude Code; die asymmetrische Paarung schlägt den Einzeleinsatz
Quelle ↗ - 5Parallele Codex-Worker mit Git-Worktree
Zwei parallele Agenten sind die Grenze — darüber hinaus eine 2,86-fache Rechnung für identische 71,67% bei Terminal-Bench 4.0
- 6Cursor-Agententeams
Cursor glänzt bei Korrekturaufgaben mit 80,4% gegenüber dem Einzelbetrieb — die Teamverteilung teilt das Kontingent, stößt aber an dieselbe Wochengrenze wie Claude Max
- 7Factory / Droid (factory.ai)
Kommerzielle Flotte über CLI, Desktop, Remote-Rechner und GitHub Actions — das Fabrikmuster, das Gas Towns Refinery inspirierte
- 8Omnigent (Meta-Harness von Databricks)
Meta-Harness, das Claude Code, Codex und andere kombiniert — misst den Erfolg über 12 Open-Source-Bibliotheken, etwa CooperBenchs 652 Aufgaben
Quelle ↗ - 9Beads + Shipmates-Ledger
Beads ist ein Tracker, Gas Town ist eine Factory — dauerhafter Speicher plus Kanal zwischen Leitung und Team für die Freigabe durch einen Menschen
Quelle ↗ - 10Allgemeine Zweiagenten-Basislinie (CooperBench: allein gegen Duo)
Fluch der Koordination — 25% Erfolg, wenn zwei Agenten zusammenarbeiten, rund 50% weniger als bei einem Agenten, der beide Aufgaben allein erledigt
Quelle ↗
Was Meta aufgefallen ist
CooperBench zeigt den Fluch der Koordination: 25% Teamerfolg gegenüber ∼50% allein bei 652 Aufgaben aus 12 Bibliotheken — ein durchschnittlicher Rückgang von etwa 30 %, der mit schlechter Kommunikation zusammenhängt
Die Parallelitätssteuer ist real: Mehr Worker verändern die Bestehensquote um −11,9 bis +2,3 Prozentpunkte, während sich die Token um das 1,4- bis 3,3-Fache vervielfachen; ein Terminal-Bench-Lauf zeigte bei gleichen 71,67% eine 2,86-fache Rechnung
Der Beleg von Spool: Vier Schleifen bauen Spool selbst seit Tagen weiter, PRs mit „Co-Authored-By: Claude Opus 5.5“, erreichbar über Telegram/Slack, nachdem der Laptop zugeklappt wurde — maßgeblich ist die öffentliche Bilanz zusammengeführter Änderungen, nicht die Sternezahl
🇺🇸 Nemotron10 Plätze · 2 Hinweise
Dieselbe Frage, allein von Nemotron beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Spool (2026)
Vier Claude-Code-Agenten liefern seit Wochen täglich zusammengeführte PRs aus — der Mensch genehmigt nur, tippt nie selbst
- 2Gas Town (2026)
Eine Flotte aus drei Agenten erreicht bei langen Terminal-Bench-Aufgaben 91% Bestehensquote — ein einzelner Agent fällt auf 67%
- 3OpenDevin Multi-Agent (2026)
Ein Open-Source-Team erreicht bei CooperBench das Niveau proprietärer Systeme — doch die Nachrichten verbrauchen 38% der Token
Quelle ↗ - 4Aider + Claude Code (Paar, 2026)
Zwei verschiedene Werkzeuge, ein Repo — 14 Prozentpunkte Gewinn, aber 3,1× Token; die menschliche Prüfung wird zum Engpass
Quelle ↗ - 5Cursor Background Agents (2026)
Parallelbetrieb direkt in der Entwicklungsumgebung (IDE) — 9 Prozentpunkte Gewinn, 1,6× Token, aber keine dokumentierte Nachrichtenübermittlung zwischen Agenten
- 6Codex Multi-Session (2026)
Der eigene Parallelansatz von OpenAI — 11,9 Prozentpunkte Rückgang bei konfliktreichen Aufgaben laut arXiv:2610.10263
Quelle ↗ - 7Kimi Code Fleet (2026)
Der Parallelansatz von Moonshot — 2,3 Prozentpunkte Gewinn bei 1,4× Token, beste Effizienz, aber kurze Erfolgsbilanz
Quelle ↗ - 8MetaGPT Software Company (2026)
Rollenspiel-Agenten (Produktmanagement, Entwicklung, Qualitätssicherung) — 8 Prozentpunkte Gewinn, aber 2,7× Token; 34% Mehraufwand durch Nachrichten
Quelle ↗ - 9AutoGen Code Review Schwarm (2026)
Vier Prüfer, ein Autor — 6 Prozentpunkte Gewinn, 2,2× Token, 28% Nachrichten; stark darin, Rückschritte zu erkennen
Quelle ↗ - 10LangGraph Multi-Agent Dev (2026)
Per Graph gesteuert — 5 Prozentpunkte Gewinn, 2,5× Token, 30% Nachrichten; flexibel, aber aufwendig in der Fehlersuche
Quelle ↗
Was Nemotron aufgefallen ist
Der Nachrichten-Mehraufwand schwankt je nach Team zwischen 0 und 47% — Cursor mit 0% (keine Nachrichten) ist bei der Token-Effizienz besser als Codex mit 47%, verliert aber bei der Konfliktlösung
Der Token-Mehraufwand von 1,4–3,3× bedeutet: Ein „günstiges“ 1,4×-Team (Kimi) kann bei schweren Aufgaben weniger kosten als ein „teurer“ 3,3×-Einzellauf
🇺🇸 Nova10 Plätze · 1 Hinweise
Dieselbe Frage, allein von Nova beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Code Teams
2,3 Punkte Gewinn durch parallele Worker bei 3,3× Token-Kosten, angenommene Zusammenführungen in Spool
Quelle ↗ - 2Codex Parallel Workers
11,9 Punkte Rückgang durch parallele Worker bei 1,4× Token-Kosten, wenig Nachrichtenaustausch
Quelle ↗ - 3Kimi Code Teams
Keine veröffentlichten Team-Kennzahlen, wenig öffentliche Bilanz zusammengeführter Arbeit
- 4GitHub Copilot Teams
Keine öffentlichen Team-Benchmarks, stützt sich auf Nutzerberichte
- 5Devin Autonomous Agent
Fokus auf einen Agenten, keine Kennzahlen zur Teamkoordination
- 6Cursor AI Teams
Leistung nach Aufgabenstufen, keine Team-Benchmarks
- 7OpenCode Teams
Open Source, wenige Kennzahlen zur Koordination
Quelle ↗ - 8Hermes AI Teams
Frühes Stadium, keine öffentlichen Benchmarks
- 9Gas Town: öffentliche Bilanz
Zusammengeführte Änderungen von Agenten signiert, vom Menschen angenommen
- 10Spool: öffentliche Bilanz
Zusammengeführte Änderungen von Agenten signiert, vom Menschen angenommen
Was Nova aufgefallen ist
Claude-Code-Teams zeigen einen Gewinn von 2,3 Punkten durch parallele Worker, aber bei 3,3× Token-Kosten
🇨🇳 DeepSeek10 Plätze · 4 Hinweise
Dieselbe Frage, allein von DeepSeek beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1AgentRadio (2026)
Vier Agenten auf einem asynchronen Nachrichtenbus hoben einen Einzelwert von 32,3% auf 62,1% — und schlugen ein neueres Einzelmodell mit 57,2%.
Quelle ↗ - 2Gas Town (2026)
Sechs von sieben PRs wurden zusammengeführt, während der Prüfer beim Abendessen war; eine Woche später hinterließ dasselbe Setup 141 verwaiste Claude-Prozesse.
Quelle ↗ - 3Cursor Agent Schwarm (2026)
Derselbe SQLite-Test lief zu 100% durch, während die Worker-Ausgaben in einer Konfiguration 411 Dollar und in einer anderen 9.373 Dollar betrugen.
Quelle ↗ - 4OpenAI Codex dynamische Parallelität (2026)
Die Bestehensquote von Codex bewegte sich bei SWE-bench nicht — 71,0% in beiden Fällen —, doch neun Aufgaben ließen sich nur mit Parallelbetrieb lösen.
Quelle ↗ - 5Claude Code Agent Teams (2026)
Eine App mit 52 Fehlern verbesserte sich im Team um 75% mehr, aber die Zweier-Paare bei CooperBench erreichten 25% gegenüber ∼50% allein.
Quelle ↗ - 6Spool (2026)
Vier dauerhafte Claude-Code-Schleifen, erreichbar über Slack und Telegram, arbeiten weiter, nachdem der Laptop zugeklappt wird — und ein Nutzer sah zu, wie 70 Subagenten ein ganzes Kontingent aufbrauchten.
Quelle ↗ - 7Kimi Code parallele Agenten (2026)
Kimi kann 300 Agenten koordinieren und kostet 4–8× weniger, doch parallele Worker senken seine SWE-bench-Bestehensquote von 77% auf 59%.
Quelle ↗ - 8Claude Code dynamische Parallelität (2026)
Parallele Subagenten verdreifachten die LoopsBench-Lösungen von 7,1% auf 21,4%, während die SWE-bench-Bestehensquote von 83,0% auf 59,0% fiel.
Quelle ↗ - 9GitHub Copilot Agent HQ (2026)
Es stellt Copilot, Claude und Codex in einem Repo nebeneinander, veröffentlicht aber keine Erfolgsquote Team gegen Einzelbetrieb.
- 10MetaGPT / ChatDev (2026)
ChatDev erreichte bei ProgramDev 33,3% Korrektheit — unter der Einzelagenten-Basislinie, die es eigentlich schlagen sollte.
Quelle ↗
Was DeepSeek aufgefallen ist
Die schärfste Zahl bei CooperBench ist nicht die 25% für Zweier-Agenten: Menschliche Entwicklerpaare lösten 9 von 10 Aufgaben unter denselben Koordinationsbedingungen, unter denen Agenten nur 3 von 10 schafften. Das Scheitern liegt also an der Koordination, nicht an der Schwierigkeit des Programmierens.
Vals AI stellte fest, dass die teuerste Opus-Konfiguration das 30-Fache der günstigsten kostete, bei einem Gewinn von 1,6 Punkten — 122 Dollar und 93,2 gegenüber 4,08 Dollar und 91,5 —, und dass dieser Unterschied von 1,6 Punkten statistisch nicht signifikant war.
Ein Codex-Lauf mit 1.393 Subagenten überarbeitete in rund 19 Stunden 1,06 Mio. Python-Zeilen ohne Testdateien und reduzierte sie um 34,4% — für rund 19.300 Dollar. Ein Entwickler bei OpenAI Codex sagte öffentlich, ein einzelner Agent hätte das für einen Bruchteil der Kosten geschafft.
Der Cursor-Schwarm zeigt, dass sich die Wirtschaftlichkeit eines Teams allein durch die Modellmischung umkehren kann: Dieselbe Qualität kostete 411 Dollar mit einem Spitzenmodell als Planer und günstigen Workern, gegenüber 9.373 Dollar, wenn auch die Worker Spitzenmodelle waren.