En CooperBench, los agentes gastaron entre 15 y 20% de su presupuesto de tokens enviándose mensajes entre sí. Eso redujo los conflictos de fusión en unos 30%, pero no aumentó las funciones terminadas.
Volver a la tendencia del día: Un equipo de ayudantes de IA ya construye su propio software las 24 horas
Ranking Poly · de la tendencia del día
Equipos de agentes de programación con IA frente a un solo agente: el top 9 de 2026
Dos de los principales agentes de programación con IA que trabajan en pareja aciertan solo en cerca del 25% de las tareas de CooperBench. En una prueba de Codex, añadir subagentes dejó la puntuación igual en 71,0%, mientras los tokens por tarea resuelta subieron de 7,69 millones a 24,12 millones.
- N.º 1: Gas Town
- 9 puestos
01Lista final
Las IA líderes hicieron por separado su propia lista de diez puestos. Arriba, un resultado combinado fácil de comprobar: cada puesto tiene un motivo, las IA que lo incluyeron y, cuando las IA la dieron, una fuente.
Una etiqueta brillante significa que esa IA puso el elemento en su lista. Una tenue, que no.
- 1
Gas Town
Ejecuta de 20 a 30 instancias de Claude Code. Un revisor vio cómo se fusionaban 6 de 7 solicitudes de cambio en una tarde y, una semana después, encontró 141 procesos huérfanos. El costo medido se reportó cerca de $100 por hora.
Lo incluyeron: Meta, Nemotron, Nova, DeepSeek. No lo incluyeron: Wenxin.En sus listas: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2
Qué señaló cada IA 4
- Metapuesto 2
20-30 instancias de Claude Code sobre una misma base de código, con un único agente de cola de fusiones: el modelo de registro y traspaso más desarrollado, pero con un consumo reportado de $100 por hora en tokens
Fuente ↗ - Nemotronpuesto 2
Una flota de tres agentes mantiene una tasa de aciertos del 91% en tareas largas de Terminal-Bench; un agente solo baja al 67%
- Novapuesto 9
Cambios fusionados firmados por agentes y aceptados por una persona
- DeepSeekpuesto 2
Seis de siete solicitudes de cambio se fusionaron mientras el revisor cenaba; una semana después, la misma configuración dejó 141 procesos huérfanos de Claude.
Fuente ↗
4 IA lo pusieron aquí - 2
Equipos de agentes de Claude Code
La documentación de Anthropic dice que un equipo gasta unas 7 veces los tokens de una sesión en modo de planificación. Una sola prueba de error de CircleCI encontró que la ganancia del equipo era mayor: 17,27 frente a 9,87 puntos.
Lo incluyeron: Meta, Nova, DeepSeek. No lo incluyeron: Nemotron, Wenxin.En sus listas: Meta: 3 · Nova: 1 · DeepSeek: 5
Qué señaló cada IA 3
- Metapuesto 3
Ventanas aisladas de 1M de tokens por compañero: 7× de sobrecarga de tokens en modo plan según la documentación de Anthropic, pero la mensajería explícita reemplaza el conflicto a ciegas
Fuente ↗ - Novapuesto 1
Mejora de 2,3 puntos con trabajadores paralelos y 3,3× el coste en tokens; fusiones aceptadas en Spool
Fuente ↗ - DeepSeekpuesto 5
Una aplicación con 52 errores mejoró un 75% más con un equipo, pero las parejas de dos agentes de CooperBench lograron un 25% frente a unos 50% en solitario.
Fuente ↗
3 IA lo pusieron aquí - 3
AgentRadio
La mayor mejora medida aquí: cuatro agentes con un bus de mensajes pasaron de 32,3% en solitario a 62,1%, superando a un modelo individual más nuevo con 57,2%. Solo una fuente lo informa.
Lo incluyeron: DeepSeek. No lo incluyeron: Meta, Nemotron, Nova, Wenxin.En sus listas: DeepSeek: 1
Qué señaló cada IA 1
- DeepSeekpuesto 1
Cuatro agentes en un bus de mensajes asíncrono pasaron de un 32,3% en solitario a un 62,1%, y superaron a un modelo individual más nuevo, con 57,2%.
Fuente ↗
1 IA lo pusieron aquí - 4
Enjambre de agentes de Cursor
Todas las configuraciones reconstruyeron SQLite hasta un 100% de pruebas superadas, pero el gasto de los trabajadores iba de $411 a $9.373 según la mezcla de modelos, una diferencia de 22 veces. No hay línea base en solitario.
Lo incluyeron: Meta, Nemotron, Nova, DeepSeek. No lo incluyeron: Wenxin.En sus listas: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3
Qué señaló cada IA 4
- Metapuesto 6
Cursor destaca en tareas de arreglo de errores, con 80,4% frente a trabajar solo; el reparto en equipo comparte la cuota, pero llega al mismo límite semanal que Claude Max
- Nemotronpuesto 5
Paralelismo dentro del IDE: 9 puntos de mejora y 1,6× más tokens, pero no se registró mensajería entre agentes
- Novapuesto 6
Rendimiento desglosado por tipo de tarea, sin pruebas de equipos
- DeepSeekpuesto 3
La misma prueba de SQLite pasó con un 100%, mientras el gasto de los trabajadores fue de $411 en una configuración y de $9.373 en otra.
Fuente ↗
4 IA lo pusieron aquí - 5
Subagentes de OpenAI Codex
Sin mejora, a unas tres veces el costo. SWE-bench se quedó en 71,0% en ambos casos, mientras los tokens por tarea resuelta se triplicaron. En Terminal-Bench, $9,01 frente a $25,80 por tarea compraron el mismo 71,67%.
Lo incluyeron: Meta, Nemotron, Nova, DeepSeek. No lo incluyeron: Wenxin.En sus listas: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4
Qué señaló cada IA 4
- Metapuesto 4
Codex escribe, Claude revisa: 59,6-88,6% de aceptación para Codex solo y 92,3% en documentación para Claude Code; la pareja asimétrica supera al trabajo individual
Fuente ↗ - Nemotronpuesto 3
Un equipo de código abierto iguala a los sistemas de código cerrado en CooperBench, pero la mensajería consume el 38% de los tokens
Fuente ↗ - Novapuesto 5
Enfoque en un solo agente, sin métricas de coordinación de equipos
- DeepSeekpuesto 4
La tasa de aciertos de Codex en SWE-bench no cambió: 71,0% en ambos casos, pero nueve tareas solo se resolvieron con concurrencia.
Fuente ↗
4 IA lo pusieron aquí - 6
Subagentes paralelos de Claude Code
Resultados opuestos: las soluciones completas de LoopsBench se triplicaron (de 7,1% a 21,4%), pero SWE-bench Verified bajó de 83,0% a 59,0%. Esa caída es mayor que el rango de 11,9 puntos que destaca el estudio, así que está en disputa.
Lo incluyeron: Nova, DeepSeek. No lo incluyeron: Meta, Nemotron, Wenxin.En sus listas: Nova: 2 · DeepSeek: 8
Qué señaló cada IA 2
2 IA lo pusieron aquí - 7
Agentes paralelos de Kimi Code
Coordina 300 agentes con un costo de 4 a 8 veces menor que los modelos de vanguardia, pero un blog informa que los trabajadores en paralelo bajaron su tasa de aciertos en SWE-bench de 77% a 59%. Esa cifra tiene una sola fuente.
Lo incluyeron: Nemotron, Nova, DeepSeek. No lo incluyeron: Meta, Wenxin.En sus listas: Nemotron: 7 · Nova: 3 · DeepSeek: 7
Qué señaló cada IA 3
- Nemotronpuesto 7
El paralelo de Moonshot: mejora de 2,3 puntos con 1,4× más tokens; la mejor eficiencia, pero con poco historial
Fuente ↗ - Novapuesto 3
Métricas de equipo sin publicar, con un registro público escaso de trabajo fusionado
- DeepSeekpuesto 7
Kimi puede coordinar 300 agentes y cuesta entre 4 y 8 veces menos, pero los trabajadores paralelos bajaron su tasa de aciertos en SWE-bench del 77% al 59%.
Fuente ↗
3 IA lo pusieron aquí - 8
MetaGPT / ChatDev
Los equipos antiguos de juego de roles pierden contra un solo agente: un agente solo les ganó en 10 problemas y perdió en 1. ChatDev alcanzó apenas 33,3% de corrección en ProgramDev.
Lo incluyeron: Nemotron, DeepSeek. No lo incluyeron: Meta, Nova, Wenxin.En sus listas: Nemotron: 8 · DeepSeek: 10
Qué señaló cada IA 2
- Nemotronpuesto 8
Agentes con roles (jefe de proyecto, desarrollador, control de calidad): mejora de 8 puntos, pero 2,7× más tokens; 34% de sobrecarga de mensajes
Fuente ↗ - DeepSeekpuesto 10
ChatDev alcanzó un 33,3% de exactitud en ProgramDev, por debajo de la referencia de un solo agente que pretendía superar.
Fuente ↗
2 IA lo pusieron aquí - 9
Agent HQ de GitHub Copilot
Ejecuta Copilot, Claude y Codex en paralelo en un mismo repositorio de código, pero no publica ninguna tasa de éxito de equipo frente a un agente solo, así que no se sabe si el equipo supera a un solo agente.
Lo incluyeron: Nova, DeepSeek. No lo incluyeron: Meta, Nemotron, Wenxin.En sus listas: Nova: 4 · DeepSeek: 9
Qué señaló cada IA 2
- Novapuesto 4
Sin pruebas públicas de equipos; se basa en opiniones de usuarios
- DeepSeekpuesto 9
Pone a Copilot, Claude y Codex lado a lado en un mismo repositorio, pero no publica ninguna tasa de éxito de equipo frente a trabajo individual.
2 IA lo pusieron aquísin fuente indicada
02Vale la pena saber
Lo que notaron las IA al armar la lista.
Parejas de desarrolladores humanos resolvieron 9 de 10 tareas de CooperBench con las mismas reglas en las que los agentes resolvieron 3 de 10. El fallo es de coordinación, no de dificultad para programar.
Una ejecución de Codex con 1.393 subagentes costó unos $19.300 en unas 19 horas. Después, un desarrollador de OpenAI Codex dijo que más de dos agentes en paralelo casi con seguridad gastan tokens sin ganar calidad.
Vals AI encontró que la configuración de equipo de Opus más cara costó 30 veces más que la más barata ($122 frente a $4,08), por una ganancia de 1,6 puntos (93,2 frente a 91,5) que no fue estadísticamente significativa.
La caída de CooperBench se cita de dos formas: unos 50% menos que en solitario (25% de éxito absoluto) y «al menos 30% de caída promedio» en el resumen. Son líneas base distintas, no la misma cifra.
03Lo que la gente pregunta
qué es un agente de programación con IA
Un agente de programación con IA es una herramienta impulsada por un modelo que lee un repositorio de código, edita archivos, ejecuta pruebas e itera hacia un objetivo. Cuando CooperBench emparejó a dos de ellos en 652 tareas, solo acertaron cerca del 25% de las veces.
Fuente ↗cómo funcionan los agentes de programación con IA
Repiten un ciclo de planificar, editar, ejecutar pruebas y reintentar. Con subagentes en paralelo activados, el uso de tokens sube a entre 1,41 y 3,31 veces el de la ejecución secuencial, porque cada subagente carga su propio contexto.
Fuente ↗pueden los agentes de IA trabajar juntos
Sí, pero todavía no bien. Los equipos de dos agentes obtuvieron cerca de 25% en CooperBench, aproximadamente la mitad de lo que logra un agente solo con ambas funciones. Algunos resúmenes hablan de una caída de 30% porque usan otra línea base.
Fuente ↗cómo trabajan juntos los agentes de IA
Comparten listas de tareas, se envían mensajes y fusionan ramas de código. Gas Town coordina de 20 a 30 instancias de Claude Code mediante un registro respaldado por git y una sola cola de fusión.
Fuente ↗04Cómo lo calculamos
En palabras sencillas, sin fórmulas.
1La pregunta
Los 10 mejores equipos de agentes de programación con IA, según si superan a un agente que trabaja solo
2Por qué este tema
Pone lado a lado un punto de referencia de cooperación, un estudio del costo en tokens y registros reales de trabajo fusionado, para que el lector vea cuándo un equipo de agentes supera de verdad a un agente y cuándo sobre todo añade charla.
3Dónde aplica
global, ingeniería de software con IA
4Qué miramos
- Tasa de éxito del equipo en tareas de programación cooperativa, junto a un agente solo con la misma carga total de trabajo
- Cambio en la tasa de aciertos al añadir trabajadores en paralelo, comparado con los tokens adicionales que usan
- Parte del presupuesto gastada en que los agentes se envían mensajes en lugar de escribir código
- Si la configuración funciona durante días con una persona aceptando cada cambio, según su registro público de trabajo fusionado firmado por los agentes
- CooperBench (Universidad de Stanford y SAP Labs US): éxito de dos agentes en 652 tareas de programación cooperativa en 12 bibliotecas de código abierto, frente a un agente con ambas funciones; porcentaje de tokens gastados en enviarse mensajes
- Estudio de subagentes paralelos, arXiv 2610.10263 (Codex, Claude Code, Kimi Code): cambio en la tasa de aciertos con trabajadores en paralelo (de una caída de 11,9 puntos a una ganancia de 2,3 puntos) y uso de tokens (de 1,41 a 3,31 veces el secuencial)
- Documentación de Anthropic sobre equipos de agentes de Claude Code: la descripción del propio fabricante del uso de tokens de un equipo comparado con una sesión
- Registros públicos de repositorios de GitHub (Gas Town, Spool): cambios firmados por agentes y aprobados por una persona, separados del conteo de estrellas
5Quién clasificó
Las IA líderes: Meta, Nemotron, Nova, Wenxin, DeepSeek. Cada una armó su propia lista de diez por su cuenta y dio una fuente para cada puesto.
6Cómo se fijaron los puestos
Lo mismo escrito de distinta forma por distintas IA se contó como una sola entrada. Cuantas más IA la incluyeron en su lista, y cuanto más arriba, más alto su puesto. «Acuerdo de las IA» muestra cuántas IA la tenían en su propia lista. Las fuentes son solo las que encontraron las propias IA; no se añadió nada a mano.
05La lista de cada IA
🇺🇸 Meta10 puestos · 3 notas
La misma pregunta, respondida solo por Meta. La lista final de arriba combina todas las IA.
- 1Spool (enes-alatas/spool)
Cuatro bucles de Claude construyeron su propia fábrica durante días: solicitudes de cambio (PR) firmadas con Co-Authored-By: Claude Opus 5.5 y fusionadas tras un chat de Telegram o Slack
Fuente ↗ - 2Gas Town
20-30 instancias de Claude Code sobre una misma base de código, con un único agente de cola de fusiones: el modelo de registro y traspaso más desarrollado, pero con un consumo reportado de $100 por hora en tokens
Fuente ↗ - 3Equipos de agentes de Claude Code (nativo de Anthropic)
Ventanas aisladas de 1M de tokens por compañero: 7× de sobrecarga de tokens en modo plan según la documentación de Anthropic, pero la mensajería explícita reemplaza el conflicto a ciegas
Fuente ↗ - 4Codex de OpenAI + emparejamiento adversarial con Claude Code
Codex escribe, Claude revisa: 59,6-88,6% de aceptación para Codex solo y 92,3% en documentación para Claude Code; la pareja asimétrica supera al trabajo individual
Fuente ↗ - 5Trabajadores paralelos de Codex con git worktree
Dos agentes en paralelo es el límite: más allá, una factura 2,86× mayor por un 71,67% idéntico en Terminal-Bench 4.0
- 6Equipos de agentes de Cursor
Cursor destaca en tareas de arreglo de errores, con 80,4% frente a trabajar solo; el reparto en equipo comparte la cuota, pero llega al mismo límite semanal que Claude Max
- 7Factory / Droid (factory.ai)
Flota comercial que abarca la línea de comandos (CLI), el escritorio, equipos remotos y GitHub Actions: el patrón de fábrica que inspiró al Refinery de Gas Town
- 8Omnigent (sistema de Databricks)
Sistema que mezcla Claude Code, Codex y otros, y mide el éxito en 12 bibliotecas de código abierto, como las 652 tareas de CooperBench
Fuente ↗ - 9Beads + registro de Shipmates
Beads es un registro, Gas Town es una fábrica: memoria persistente y un canal de líder y equipo para aprobaciones con una persona en el proceso
Fuente ↗ - 10Referencia genérica de dos agentes (CooperBench: solo vs. dúo)
La maldición de la coordinación: 25% de éxito cuando dos agentes colaboran, casi un 50% menos que un agente que hace ambas tareas solo
Fuente ↗
Lo que notó Meta
CooperBench muestra la maldición de la coordinación: 25% de éxito en equipo frente a unos 50% en solitario, en 652 tareas de 12 bibliotecas; una caída media de unos 30%, ligada a una mala comunicación
El impuesto del paralelismo es real: añadir trabajadores cambia la tasa de aciertos entre -11,9 y +2,3 puntos, mientras los tokens se multiplican entre 1,4× y 3,3×; una ejecución de Terminal-Bench mostró una factura 2,86× mayor por el mismo 71,67%
La prueba de Spool: cuatro bucles siguen construyendo el propio Spool durante días, con PR firmados Co-Authored-By: Claude Opus 5.5 y accesibles desde Telegram o Slack tras cerrar el portátil; importa el registro público de cambios fusionados, no el número de estrellas
🇺🇸 Nemotron10 puestos · 2 notas
La misma pregunta, respondida solo por Nemotron. La lista final de arriba combina todas las IA.
- 1Spool (2026)
Cuatro agentes de Claude Code envían cada día solicitudes de cambio (PR) fusionadas durante semanas: la persona solo aprueba, nunca escribe
- 2Gas Town (2026)
Una flota de tres agentes mantiene una tasa de aciertos del 91% en tareas largas de Terminal-Bench; un agente solo baja al 67%
- 3OpenDevin multiagente (2026)
Un equipo de código abierto iguala a los sistemas de código cerrado en CooperBench, pero la mensajería consume el 38% de los tokens
Fuente ↗ - 4Aider + emparejamiento con Claude Code (2026)
Dos herramientas distintas, un solo repositorio: 14 puntos de mejora, pero 3,1× más tokens; la revisión humana se convierte en el cuello de botella
Fuente ↗ - 5Agentes en segundo plano de Cursor (2026)
Paralelismo dentro del IDE: 9 puntos de mejora y 1,6× más tokens, pero no se registró mensajería entre agentes
- 6Sesiones múltiples de Codex (2026)
El paralelo de OpenAI: caída de 11,9 puntos en tareas con muchos conflictos, según arXiv:2610.10263
Fuente ↗ - 7Flota de código de Kimi (2026)
El paralelo de Moonshot: mejora de 2,3 puntos con 1,4× más tokens; la mejor eficiencia, pero con poco historial
Fuente ↗ - 8Empresa de software MetaGPT (2026)
Agentes con roles (jefe de proyecto, desarrollador, control de calidad): mejora de 8 puntos, pero 2,7× más tokens; 34% de sobrecarga de mensajes
Fuente ↗ - 9Enjambre de revisión de código de AutoGen (2026)
Cuatro revisores, un redactor: mejora de 6 puntos, 2,2× más tokens y 28% en mensajes; destaca al detectar errores que reaparecen
Fuente ↗ - 10Desarrollo multiagente con LangGraph (2026)
Organizado en forma de grafo: mejora de 5 puntos, 2,5× más tokens y 30% en mensajes; flexible, pero difícil de revisar
Fuente ↗
Lo que notó Nemotron
La sobrecarga de mensajes varía entre 0 y 47% según el equipo: el 0% de Cursor (sin mensajes) supera al 47% de Codex en eficiencia de tokens, pero pierde al resolver conflictos
La sobrecarga de tokens de 1,4 a 3,3× significa que un equipo 'barato' de 1,4× (Kimi) puede costar menos que una ejecución individual 'cara' de 3,3× en tareas difíciles
🇺🇸 Nova10 puestos · 1 notas
La misma pregunta, respondida solo por Nova. La lista final de arriba combina todas las IA.
- 1Equipos de Claude Code
Mejora de 2,3 puntos con trabajadores paralelos y 3,3× el coste en tokens; fusiones aceptadas en Spool
Fuente ↗ - 2Trabajadores paralelos de Codex
Caída de 11,9 puntos con trabajadores paralelos y 1,4× el coste en tokens, con poca mensajería
Fuente ↗ - 3Equipos de Kimi Code
Métricas de equipo sin publicar, con un registro público escaso de trabajo fusionado
- 4Equipos de GitHub Copilot
Sin pruebas públicas de equipos; se basa en opiniones de usuarios
- 5Agente autónomo Devin
Enfoque en un solo agente, sin métricas de coordinación de equipos
- 6Equipos de Cursor AI
Rendimiento desglosado por tipo de tarea, sin pruebas de equipos
- 7Equipos de OpenCode
Código abierto, con métricas de coordinación limitadas
Fuente ↗ - 8Equipos de Hermes AI
Fase temprana, sin pruebas públicas
- 9Registro público de Gas Town
Cambios fusionados firmados por agentes y aceptados por una persona
- 10Registro público de Spool
Cambios fusionados firmados por agentes y aceptados por una persona
Lo que notó Nova
Los equipos de Claude Code muestran una mejora de 2,3 puntos con trabajadores paralelos, pero a 3,3× el coste en tokens
🇨🇳 DeepSeek10 puestos · 4 notas
La misma pregunta, respondida solo por DeepSeek. La lista final de arriba combina todas las IA.
- 1AgentRadio (2026)
Cuatro agentes en un bus de mensajes asíncrono pasaron de un 32,3% en solitario a un 62,1%, y superaron a un modelo individual más nuevo, con 57,2%.
Fuente ↗ - 2Gas Town (2026)
Seis de siete solicitudes de cambio se fusionaron mientras el revisor cenaba; una semana después, la misma configuración dejó 141 procesos huérfanos de Claude.
Fuente ↗ - 3Enjambre de agentes de Cursor (2026)
La misma prueba de SQLite pasó con un 100%, mientras el gasto de los trabajadores fue de $411 en una configuración y de $9.373 en otra.
Fuente ↗ - 4Concurrencia dinámica de Codex de OpenAI (2026)
La tasa de aciertos de Codex en SWE-bench no cambió: 71,0% en ambos casos, pero nueve tareas solo se resolvieron con concurrencia.
Fuente ↗ - 5Equipos de agentes de Claude Code (2026)
Una aplicación con 52 errores mejoró un 75% más con un equipo, pero las parejas de dos agentes de CooperBench lograron un 25% frente a unos 50% en solitario.
Fuente ↗ - 6Spool (2026)
Cuatro bucles persistentes de Claude Code, accesibles desde Slack y Telegram, siguen trabajando tras cerrar el portátil; y un usuario vio cómo 70 subagentes consumían toda una cuota.
Fuente ↗ - 7Agentes paralelos de Kimi Code (2026)
Kimi puede coordinar 300 agentes y cuesta entre 4 y 8 veces menos, pero los trabajadores paralelos bajaron su tasa de aciertos en SWE-bench del 77% al 59%.
Fuente ↗ - 8Concurrencia dinámica de Claude Code (2026)
Los subagentes en paralelo triplicaron las soluciones de LoopsBench, del 7,1% al 21,4%, mientras la tasa de aciertos en SWE-bench cayó del 83,0% al 59,0%.
Fuente ↗ - 9Agent HQ de GitHub Copilot (2026)
Pone a Copilot, Claude y Codex lado a lado en un mismo repositorio, pero no publica ninguna tasa de éxito de equipo frente a trabajo individual.
- 10MetaGPT / ChatDev (2026)
ChatDev alcanzó un 33,3% de exactitud en ProgramDev, por debajo de la referencia de un solo agente que pretendía superar.
Fuente ↗
Lo que notó DeepSeek
La cifra más llamativa de CooperBench no es el 25% de los dos agentes: parejas de desarrolladores humanos resolvieron 9 de 10 tareas bajo las mismas restricciones de coordinación que los agentes resolvieron solo 3 de 10; el fallo es de coordinación, no de dificultad para programar.
Vals AI encontró que la configuración más cara de Opus costó 30 veces más que la más barata para ganar 1,6 puntos: $122 y 93,2 frente a $4,08 y 91,5; además, esa diferencia de 1,6 puntos no fue estadísticamente significativa.
Una ejecución de Codex con 1.393 subagentes refactorizó 1,06 millones de líneas de Python que no son de prueba, reduciéndolas un 34,4% en unas 19 horas por unos $19.300; pero un desarrollador de OpenAI Codex dijo públicamente que un solo agente lo habría hecho por una fracción del coste.
El enjambre de Cursor muestra que la economía de un equipo puede cambiar solo con la mezcla de modelos: la misma calidad costó $411 con un planificador de vanguardia y trabajadores baratos, frente a $9.373 cuando los trabajadores también eran modelos de vanguardia.