आज के ट्रेंड पर वापस: AI सहायकों की एक टीम अब 24 घंटे अपना सॉफ़्टवेयर खुद बना रही है
Poly रेटिंग · आज के ट्रेंड से

AI कोडिंग एजेंट टीम बनाम एक एजेंट: 2026 के शीर्ष 9

दो प्रमुख AI कोडिंग एजेंट जोड़ी में काम करते हुए CooperBench के केवल लगभग 25% कार्य पूरे कर पाते हैं। एक Codex परीक्षण में सब-एजेंट जोड़ने से स्कोर 71.0% पर ही रहा, जबकि हल किए गए हर कार्य पर टोकन 7.69M से बढ़कर 24.12M हो गए।

  • नंबर 1: Gas Town
  • 9 स्थान

01अंतिम सूची

अग्रणी AI ने अलग-अलग अपनी दस जगहों की सूची बनाई। ऊपर एक संयुक्त नतीजा है जिसे जाँचना आसान है: हर जगह के साथ कारण, उसे शामिल करने वाले AI और, जहाँ AI ने दिया, स्रोत है।

चमकीला बैज: इस AI ने प्रविष्टि अपनी सूची में रखी। फीका बैज: नहीं रखी।

  1. 1

    Gas Town

    20–30 Claude Code इंस्टेंस चलाता है। एक समीक्षक ने एक शाम में 7 में से 6 कोड-बदलाव मर्ज होते देखे, फिर एक हफ़्ते बाद 141 बिना काम की छूटी प्रोसेस मिलीं। उपयोग के हिसाब से लगी लागत लगभग $100 प्रति घंटा बताई गई।

    शामिल किया: Meta, Nemotron, Nova, DeepSeek. शामिल नहीं किया: Wenxin.

    उनकी सूचियों में: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2

    हर AI ने क्या नोट किया 4
    • Metaस्थान 2

      एक ही कोडबेस पर 20-30 Claude Code इंस्टेंस और एक मर्ज-क्यू एजेंट। लेजर/हैंडऑफ़ मॉडल सबसे विकसित है, पर रिपोर्ट के अनुसार टोकन में $100 प्रति घंटा खर्च होता है

      स्रोत ↗
    • Nemotronस्थान 2

      तीन एजेंट का बेड़ा Terminal-Bench के लंबे कार्यों पर 91% पास दर रखता है। अकेला एजेंट 67% पर गिरता है

    • Novaस्थान 9

      मर्ज हुए बदलाव एजेंटों के दस्तखत वाले हैं, इंसान ने स्वीकार किए

    • DeepSeekस्थान 2

      सात में से छह PR तब मर्ज हुए जब समीक्षक डिनर पर था। एक हफ्ते बाद उसी सेटअप ने 141 अनाथ Claude प्रोसेस छोड़ दिए।

      स्रोत ↗
    4 AI ने इसे यहाँ रखा
    स्रोत ↗
  2. 2

    Claude Code agent teams

    एंथ्रोपिक के दस्तावेज़ कहते हैं कि प्लान मोड में एक टीम एक सेशन के मुकाबले लगभग 7 गुना टोकन खर्च करती है। एक CircleCI बग-परीक्षण में टीम का लाभ बड़ा निकला: 17.27 बनाम 9.87 अंक।

    शामिल किया: Meta, Nova, DeepSeek. शामिल नहीं किया: Nemotron, Wenxin.

    उनकी सूचियों में: Meta: 3 · Nova: 1 · DeepSeek: 5

    हर AI ने क्या नोट किया 3
    • Metaस्थान 3

      हर टीम-सदस्य के लिए अलग 10 लाख टोकन की विंडो। एंथ्रोपिक के दस्तावेज़ों के अनुसार प्लान मोड में 7 गुना टोकन ओवरहेड, पर साफ़ संदेश-व्यवस्था अंधे टकराव की जगह लेती है

      स्रोत ↗
    • Novaस्थान 1

      समानांतर वर्करों से 2.3 अंक का फायदा, 3.3 गुना टोकन खर्च पर। Spool में मर्ज स्वीकार हुए

      स्रोत ↗
    • DeepSeekस्थान 5

      52 बग वाला ऐप टीम के साथ 75% ज़्यादा सुधरा, पर CooperBench की दो-एजेंट जोड़ियों ने 25% स्कोर किया, जबकि अकेले लगभग 50%।

      स्रोत ↗
    3 AI ने इसे यहाँ रखा
    स्रोत ↗
  3. 3

    AgentRadio

    यहाँ सबसे बड़ी मापी गई जीत: संदेश-बस पर चार एजेंट 32.3% के अकेले स्कोर से 62.1% तक पहुँचे, और एक नए अकेले मॉडल (57.2%) को पीछे छोड़ दिया। यह आँकड़ा केवल एक स्रोत देता है।

    शामिल किया: DeepSeek. शामिल नहीं किया: Meta, Nemotron, Nova, Wenxin.

    उनकी सूचियों में: DeepSeek: 1

    हर AI ने क्या नोट किया 1
    • DeepSeekस्थान 1

      एसिंक्रोनस मैसेज बस पर चार एजेंट अकेले 32.3% स्कोर से 62.1% तक पहुँचे, और नए एकल मॉडल के 57.2% को भी पीछे छोड़ा।

      स्रोत ↗
    1 AI ने इसे यहाँ रखा
    स्रोत ↗
  4. 4

    Cursor agent swarm

    हर कॉन्फ़िगरेशन ने SQLite को 100% टेस्ट पास होने तक दोबारा बनाया, लेकिन मॉडलों के मिश्रण के अनुसार वर्करों पर खर्च $411 से $9,373 तक रहा, यानी 22 गुना का अंतर। अकेले एजेंट का कोई तुलना-आधार नहीं है।

    शामिल किया: Meta, Nemotron, Nova, DeepSeek. शामिल नहीं किया: Wenxin.

    उनकी सूचियों में: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3

    हर AI ने क्या नोट किया 4
    • Metaस्थान 6

      फिक्स वाले कामों में Cursor अकेले से 80.4% पर आगे है। टीम फैनआउट कोटा बाँटता है, पर Claude Max जैसी वही साप्ताहिक सीमा झेलता है

    • Nemotronस्थान 5

      IDE में बनी समानांतरता: 9 प्रतिशत अंक का फायदा, 1.6× टोकन, पर एजेंटों के बीच संदेश-आदान-प्रदान दर्ज नहीं है

    • Novaस्थान 6

      कार्य के हिसाब से बँटा प्रदर्शन, टीम के बेंचमार्क नहीं

    • DeepSeekस्थान 3

      वही SQLite टेस्ट 100% पास हुआ, जबकि एक कॉन्फ़िगरेशन में वर्करों का खर्च $411 रहा और दूसरे में $9,373।

      स्रोत ↗
    4 AI ने इसे यहाँ रखा
    स्रोत ↗
  5. 5

    ओपनएआई Codex सब-एजेंट

    लगभग तीन गुना लागत पर कोई लाभ नहीं। दोनों तरीकों से SWE-bench 71.0% पर रहा, जबकि हल किए गए हर कार्य पर टोकन तीन गुना हो गए। Terminal-Bench पर प्रति कार्य $9.01 बनाम $25.80 में वही 71.67% मिला।

    शामिल किया: Meta, Nemotron, Nova, DeepSeek. शामिल नहीं किया: Wenxin.

    उनकी सूचियों में: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4

    हर AI ने क्या नोट किया 4
    • Metaस्थान 4

      Codex लिखता है, Claude समीक्षा करता है। अकेले Codex के लिए 59.6-88.6% स्वीकृति, Claude Code के लिए दस्तावेज़ों में 92.3%। असमान जोड़ी अकेले काम से बेहतर है

      स्रोत ↗
    • Nemotronस्थान 3

      ओपन-सोर्स टीम CooperBench पर मालिकाना टीम के बराबर है, पर संदेश-व्यवस्था 38% टोकन खा जाती है

      स्रोत ↗
    • Novaस्थान 5

      सिर्फ़ एक एजेंट पर फोकस, टीम समन्वय के मापदंड नहीं

    • DeepSeekस्थान 4

      SWE-bench पर Codex की पास दर नहीं बदली, दोनों तरह से 71.0%। पर नौ कार्य सिर्फ़ समानांतरता से हल हुए।

      स्रोत ↗
    4 AI ने इसे यहाँ रखा
    स्रोत ↗
  6. 6

    Claude Code समानांतर सब-एजेंट

    उल्टे नतीजे: LoopsBench पर पूरी तरह हल होने वाले कार्य तीन गुना हो गए (7.1% से 21.4%), पर SWE-bench Verified 83.0% से गिरकर 59.0% रह गया। यह गिरावट अध्ययन की मुख्य 11.9 अंक की सीमा से बड़ी है, इसलिए इस पर विवाद है।

    शामिल किया: Nova, DeepSeek. शामिल नहीं किया: Meta, Nemotron, Wenxin.

    उनकी सूचियों में: Nova: 2 · DeepSeek: 8

    हर AI ने क्या नोट किया 2
    • Novaस्थान 2

      समानांतर वर्करों से 11.9 अंक की गिरावट, 1.4 गुना टोकन खर्च पर और सीमित संदेश-व्यवस्था

      स्रोत ↗
    • DeepSeekस्थान 8

      समानांतर सबएजेंट ने LoopsBench के हल 7.1% से बढ़ाकर 21.4% कर दिए, जबकि SWE-bench पास 83.0% से गिरकर 59.0% हो गया।

      स्रोत ↗
    2 AI ने इसे यहाँ रखा
    स्रोत ↗
  7. 7

    Kimi Code समानांतर एजेंट

    यह सबसे उन्नत मॉडलों की तुलना में 4–8 गुना कम लागत पर 300 एजेंटों का समन्वय करता है, पर एक ब्लॉग बताता है कि समानांतर वर्करों ने उसकी SWE-bench पास दर 77% से गिराकर 59% कर दी। यह आँकड़ा केवल एक स्रोत का है।

    शामिल किया: Nemotron, Nova, DeepSeek. शामिल नहीं किया: Meta, Wenxin.

    उनकी सूचियों में: Nemotron: 7 · Nova: 3 · DeepSeek: 7

    हर AI ने क्या नोट किया 3
    • Nemotronस्थान 7

      Moonshot की समानांतर व्यवस्था: 1.4× टोकन पर 2.3 प्रतिशत अंक का फायदा। सबसे अच्छी दक्षता, पर ट्रैक रिकॉर्ड छोटा है

      स्रोत ↗
    • Novaस्थान 3

      टीम के मापदंड रिपोर्ट नहीं हुए, मर्ज हुए काम का सार्वजनिक रिकॉर्ड सीमित है

    • DeepSeekस्थान 7

      Kimi 300 एजेंटों का समन्वय कर सकता है और 4–8 गुना सस्ता है, पर समानांतर वर्करों ने उसकी SWE-bench पास दर 77% से घटाकर 59% कर दी।

      स्रोत ↗
    3 AI ने इसे यहाँ रखा
    स्रोत ↗
  8. 8

    MetaGPT / ChatDev

    पुरानी रोल-प्ले टीमें एक एजेंट से हार जाती हैं: एक अकेले एजेंट ने उन्हें 10 समस्याओं में हराया और 1 में खुद हारा। ProgramDev पर ChatDev की सटीकता केवल 33.3% रही।

    शामिल किया: Nemotron, DeepSeek. शामिल नहीं किया: Meta, Nova, Wenxin.

    उनकी सूचियों में: Nemotron: 8 · DeepSeek: 10

    हर AI ने क्या नोट किया 2
    • Nemotronस्थान 8

      प्रोडक्ट मैनेजर, डेवलपर और टेस्टर की भूमिका निभाने वाले एजेंट: 8 प्रतिशत अंक का फायदा, पर 2.7× टोकन और 34% संदेश-ओवरहेड

      स्रोत ↗
    • DeepSeekस्थान 10

      ChatDev ने ProgramDev पर 33.3% सही उत्तर पाए, जो उस एकल-एजेंट बेसलाइन से भी कम है जिसे उसे पीछे छोड़ना था।

      स्रोत ↗
    2 AI ने इसे यहाँ रखा
    स्रोत ↗
  9. 9

    गिटहब Copilot Agent HQ

    Copilot, Claude और Codex को एक ही रिपॉज़िटरी में साथ-साथ चलाता है, पर टीम बनाम अकेले एजेंट की सफलता दर प्रकाशित नहीं करता, इसलिए पता नहीं कि टीम एक एजेंट से आगे है या नहीं।

    शामिल किया: Nova, DeepSeek. शामिल नहीं किया: Meta, Nemotron, Wenxin.

    उनकी सूचियों में: Nova: 4 · DeepSeek: 9

    हर AI ने क्या नोट किया 2
    • Novaस्थान 4

      टीम के सार्वजनिक बेंचमार्क नहीं हैं, उपयोगकर्ताओं की रिपोर्ट पर निर्भर है

    • DeepSeekस्थान 9

      यह एक ही रेपो में Copilot, Claude और Codex को साथ रखता है, पर टीम बनाम अकेले की सफलता दर नहीं छापता।

    2 AI ने इसे यहाँ रखा
    स्रोत नहीं दिया गया

02जानने योग्य

सूची बनाते समय AI ने क्या देखा।

CooperBench पर एजेंट अपने टोकन-बजट का 15–20% एक-दूसरे को संदेश भेजने में लगाते हैं। इससे मर्ज के टकराव लगभग 30% घटे, पर पूरे हुए फ़ीचर की संख्या नहीं बढ़ी।

किसने देखा:
शामिल किया: Nova, DeepSeek. शामिल नहीं किया: Meta, Nemotron, Wenxin.
स्रोत ↗

वही नियम होने पर मानव डेवलपर-जोड़ियों ने CooperBench के 10 में से 9 कार्य हल किए, जबकि एजेंट 10 में से केवल 3। विफलता कोडिंग की कठिनाई में नहीं, तालमेल में है।

किसने देखा:
शामिल किया: DeepSeek. शामिल नहीं किया: Meta, Nemotron, Nova, Wenxin.
स्रोत ↗

1,393 सब-एजेंट वाला एक Codex रन लगभग 19 घंटे में लगभग $19,300 का पड़ा। एक ओपनएआई Codex डेवलपर ने फिर कहा कि दो से ज़्यादा समानांतर एजेंट लगभग निश्चित रूप से बिना गुणवत्ता-लाभ के टोकन जलाते हैं।

किसने देखा:
शामिल किया: Meta, DeepSeek. शामिल नहीं किया: Nemotron, Nova, Wenxin.
स्रोत ↗

Vals AI को पता चला कि सबसे महँगा Opus टीम-सेटअप सबसे सस्ते से 30 गुना महँगा था ($122 बनाम $4.08), जबकि लाभ सिर्फ 1.6 अंक (93.2 बनाम 91.5) था, जो सांख्यिकीय रूप से महत्वपूर्ण नहीं था।

किसने देखा:
शामिल किया: DeepSeek. शामिल नहीं किया: Meta, Nemotron, Nova, Wenxin.
स्रोत ↗

CooperBench की गिरावट दो तरह से बताई जाती है: अकेले की तुलना में लगभग 50% कम (25% पूर्ण सफलता) और सार में 'कम से कम 30% औसत गिरावट'। ये अलग आधार-मापदंड हैं, एक ही संख्या नहीं।

किसने देखा:
शामिल किया: Meta, DeepSeek. शामिल नहीं किया: Nemotron, Nova, Wenxin.
स्रोत ↗

03लोग क्या पूछते हैं

AI कोडिंग एजेंट क्या होता है?

AI कोडिंग एजेंट एक ऐसा मॉडल-संचालित टूल है जो रिपॉज़िटरी पढ़ता है, फ़ाइलें बदलता है, टेस्ट चलाता है और लक्ष्य तक पहुँचने के लिए बार-बार सुधार करता है। जब CooperBench ने 652 कार्यों पर दो ऐसे एजेंटों को जोड़ी में रखा, तो वे केवल लगभग 25% बार सफल हुए।

स्रोत ↗
AI कोडिंग एजेंट कैसे काम करते हैं?

वे योजना बनाने, बदलाव करने, टेस्ट चलाने और दोबारा कोशिश करने के चक्र से गुज़रते हैं। समानांतर सब-एजेंट चालू होने पर टोकन खपत क्रमिक रन की 1.41–3.31 गुना हो जाती है, क्योंकि हर सब-एजेंट अपना अलग संदर्भ लोड करता है।

स्रोत ↗
क्या AI एजेंट मिलकर काम कर सकते हैं?

हाँ, पर अभी ठीक से नहीं। दो-एजेंट टीमों ने CooperBench पर लगभग 25% स्कोर किया, जो दोनों फ़ीचर अकेले पाने वाले एक एजेंट के लगभग आधा है। कुछ सारांश इसे 30% गिरावट कहते हैं, क्योंकि वे अलग आधार-मापदंड लेते हैं।

स्रोत ↗
AI एजेंट मिलकर कैसे काम करते हैं?

वे कार्य-सूचियाँ साझा करते हैं, एक-दूसरे को संदेश भेजते हैं और ब्रांच मर्ज करते हैं। Gas Town git पर आधारित लेजर और एक ही मर्ज-कतार के ज़रिए 20–30 Claude Code इंस्टेंस का समन्वय करता है।

स्रोत ↗

04हमने कैसे गिना

सीधी भाषा में, बिना सूत्रों के।

1सवाल

शीर्ष 10 AI कोडिंग एजेंट टीमें: कौन अकेले काम करने वाले एक एजेंट को हराती है

2यह विषय क्यों

यह एक सहयोग-मापदंड, टोकन-लागत अध्ययन और असली मर्ज हुए काम के रिकॉर्ड साथ-साथ रखता है, ताकि पाठक देख सके कि एजेंटों की टीम कब सचमुच एक एजेंट से आगे निकलती है और कब ज़्यादातर बातचीत ही बढ़ाती है।

3यह कहाँ लागू होता है

वैश्विक, AI सॉफ़्टवेयर इंजीनियरिंग

4हमने किन बातों पर ध्यान दिया

  • सहयोगी कोडिंग कार्यों पर टीम की सफलता दर, उसी कुल काम का बोझ पाने वाले एक एजेंट के आँकड़े के साथ
  • समानांतर वर्कर जोड़ने पर पास दर में बदलाव, उनके अतिरिक्त टोकन की तुलना में
  • बजट का वह हिस्सा जो एजेंट कोड लिखने के बजाय एक-दूसरे से बात करने में खर्च करते हैं
  • क्या सेटअप कई दिनों तक चलता है, जिसमें हर बदलाव को कोई व्यक्ति स्वीकार करता है, यह एजेंटों द्वारा हस्ताक्षरित मर्ज हुए काम के सार्वजनिक रिकॉर्ड से आँका गया
  • CooperBench (स्टैनफोर्ड विश्वविद्यालय और SAP Labs अमेरिका) — 12 ओपन-सोर्स लाइब्रेरी के 652 सहयोगी कोडिंग कार्यों पर दो-एजेंट सफलता, उस एक एजेंट के मुकाबले जिसे दोनों फ़ीचर मिले; संदेश भेजने पर खर्च टोकन का हिस्सा…
  • समानांतर सब-एजेंट अध्ययन, arXiv 2610.10263 (Codex, Claude Code, Kimi Code) — समानांतर वर्कर चालू होने पर पास दर में बदलाव (11.9 अंक की गिरावट से 2.3 अंक के लाभ तक) और टोकन खपत (क्रमिक से 1.41–3.31 गुना…
  • एंथ्रोपिक के Claude Code एजेंट-टीम दस्तावेज़ — टीम के टोकन खर्च का निर्माता का अपना वर्णन, एक सेशन से तुलना में
  • गिटहब सार्वजनिक रिपॉज़िटरी रिकॉर्ड (Gas Town, Spool) — व्यक्ति द्वारा मर्ज किए गए एजेंट-हस्ताक्षरित बदलाव, स्टार की संख्या से अलग रखे गए

5रैंक किसने दी

अग्रणी AI: Meta, Nemotron, Nova, Wenxin, DeepSeek। हर एक ने स्वतंत्र रूप से दस स्थानों की अपनी सूची बनाई और हर स्थान के लिए स्रोत बताया।

6स्थान कैसे तय हुए

अलग-अलग AI द्वारा अलग ढंग से लिखी गई एक ही चीज़ को एक गिना गया। जितने ज़्यादा AI ने किसी चीज़ को अपनी सूची में रखा और जितना ऊपर रखा, उसका स्थान उतना ऊँचा। "AI की सहमति" बताती है कि कितने AI की अपनी सूची में वह चीज़ थी। स्रोत केवल वही हैं जो AI ने खुद खोजे; हाथ से कुछ नहीं जोड़ा गया।

05हर AI की अपनी सूची

🇺🇸 Meta10 स्थान · 3 नोट

वही सवाल, जिसका जवाब अकेले Meta ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Spool (enes-alatas/spool)

    चार Claude लूप कई दिनों से अपनी ही फैक्टरी चला रहे हैं। उनके PR पर Co-Authored-By: Claude Opus 5.5 लिखा है, और टेलीग्राम/स्लैक चैट के बाद वे मर्ज हुए

    स्रोत ↗
  2. 2
    Gas Town

    एक ही कोडबेस पर 20-30 Claude Code इंस्टेंस और एक मर्ज-क्यू एजेंट। लेजर/हैंडऑफ़ मॉडल सबसे विकसित है, पर रिपोर्ट के अनुसार टोकन में $100 प्रति घंटा खर्च होता है

    स्रोत ↗
  3. 3
    Claude Code एजेंट टीमें (एंथ्रोपिक का अपना)

    हर टीम-सदस्य के लिए अलग 10 लाख टोकन की विंडो। एंथ्रोपिक के दस्तावेज़ों के अनुसार प्लान मोड में 7 गुना टोकन ओवरहेड, पर साफ़ संदेश-व्यवस्था अंधे टकराव की जगह लेती है

    स्रोत ↗
  4. 4
    ओपनएआई Codex + Claude Code का विरोधी जोड़ा

    Codex लिखता है, Claude समीक्षा करता है। अकेले Codex के लिए 59.6-88.6% स्वीकृति, Claude Code के लिए दस्तावेज़ों में 92.3%। असमान जोड़ी अकेले काम से बेहतर है

    स्रोत ↗
  5. 5
    Codex समानांतर वर्कर, git worktree के साथ

    दो समानांतर एजेंट ही सीमा है। उससे आगे Terminal-Bench 4.0 पर वही 71.67% के लिए 2.86 गुना बिल

  6. 6
    Cursor एजेंट टीमें

    फिक्स वाले कामों में Cursor अकेले से 80.4% पर आगे है। टीम फैनआउट कोटा बाँटता है, पर Claude Max जैसी वही साप्ताहिक सीमा झेलता है

  7. 7
    फैक्टरी / Droid (factory.ai)

    CLI, डेस्कटॉप, रिमोट कंप्यूटर और GitHub Actions में फैला वाणिज्यिक बेड़ा। यही फैक्टरी पैटर्न Gas Town के Refinery को प्रेरित करने वाला था

  8. 8
    Omnigent (डेटाब्रिक्स का मेटा-हार्नेस)

    Claude Code, Codex और अन्य को मिलाने वाला मेटा-हार्नेस। सफलता 12 ओपन-सोर्स लाइब्रेरी पर मापता है, जैसे CooperBench के 652 कार्य

    स्रोत ↗
  9. 9
    Beads + Shipmates लेजर

    Beads ट्रैकर है, Gas Town फैक्टरी है। स्थायी मेमोरी और लीड-और-क्रू चैनल, जिसमें इंसान की मंज़ूरी शामिल है

    स्रोत ↗
  10. 10
    सामान्य दो-एजेंट बेसलाइन (CooperBench, अकेला बनाम जोड़ी)

    समन्वय का शाप: दो एजेंट मिलकर काम करें तो 25% सफलता, जो अकेले एक एजेंट के दोनों काम करने से लगभग 50% कम है

    स्रोत ↗

Meta ने क्या देखा

CooperBench ने समन्वय का शाप दिखाया: 12 लाइब्रेरी के 652 कार्यों पर टीम की सफलता 25%, अकेले लगभग 50%। यानी औसतन लगभग 30% गिरावट, जो खराब संवाद से जुड़ी है

स्रोत ↗

समानांतरता का कर असली है: वर्कर बढ़ाने से पास दर -11.9 से +2.3 अंक बदलती है, जबकि टोकन 1.4 से 3.3 गुना बढ़ते हैं। एक Terminal-Bench रन में वही 71.67% के लिए 2.86 गुना बिल दिखा

स्रोत ↗

Spool का प्रमाण: चार लूप कई दिनों से Spool खुद बना रहे हैं। PR पर Co-Authored-By: Claude Opus 5.5 लिखा है, और लैपटॉप बंद होने के बाद भी टेलीग्राम/स्लैक से पहुँच में हैं। मायने स्टार की गिनती नहीं, सार्वजनिक रूप से मर्ज हुआ रिकॉर्ड है

स्रोत ↗
🇺🇸 Nemotron10 स्थान · 2 नोट

वही सवाल, जिसका जवाब अकेले Nemotron ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Spool (2026)

    चार Claude Code एजेंट हफ्तों से रोज़ मर्ज हुए PR भेज रहे हैं। इंसान सिर्फ़ मंज़ूरी देता है, कभी टाइप नहीं करता

  2. 2
    Gas Town (2026)

    तीन एजेंट का बेड़ा Terminal-Bench के लंबे कार्यों पर 91% पास दर रखता है। अकेला एजेंट 67% पर गिरता है

  3. 3
    OpenDevin मल्टी-एजेंट (2026)

    ओपन-सोर्स टीम CooperBench पर मालिकाना टीम के बराबर है, पर संदेश-व्यवस्था 38% टोकन खा जाती है

    स्रोत ↗
  4. 4
    Aider + Claude Code जोड़ी (2026)

    एक ही रेपो में दो अलग टूल। 14 प्रतिशत अंक का फायदा, पर 3.1× टोकन। इंसानी समीक्षा अड़चन बन जाती है

    स्रोत ↗
  5. 5
    Cursor बैकग्राउंड एजेंट (2026)

    IDE में बनी समानांतरता: 9 प्रतिशत अंक का फायदा, 1.6× टोकन, पर एजेंटों के बीच संदेश-आदान-प्रदान दर्ज नहीं है

  6. 6
    Codex मल्टी-सेशन (2026)

    OpenAI की अपनी समानांतर व्यवस्था: arXiv:2610.10263 के अनुसार टकराव वाले कार्यों पर 11.9 प्रतिशत अंक की गिरावट

    स्रोत ↗
  7. 7
    Kimi Code फ्लीट (2026)

    Moonshot की समानांतर व्यवस्था: 1.4× टोकन पर 2.3 प्रतिशत अंक का फायदा। सबसे अच्छी दक्षता, पर ट्रैक रिकॉर्ड छोटा है

    स्रोत ↗
  8. 8
    MetaGPT सॉफ़्टवेयर कंपनी (2026)

    प्रोडक्ट मैनेजर, डेवलपर और टेस्टर की भूमिका निभाने वाले एजेंट: 8 प्रतिशत अंक का फायदा, पर 2.7× टोकन और 34% संदेश-ओवरहेड

    स्रोत ↗
  9. 9
    AutoGen कोड-समीक्षा झुंड (2026)

    चार समीक्षक, एक लेखक: 6 प्रतिशत अंक का फायदा, 2.2× टोकन, 28% संदेश। रिग्रेशन (पुरानी गड़बड़ी का लौट आना) पकड़ने में सबसे अच्छा

    स्रोत ↗
  10. 10
    LangGraph मल्टी-एजेंट डेवलपमेंट (2026)

    ग्राफ़ से व्यवस्थित: 5 प्रतिशत अंक का फायदा, 2.5× टोकन, 30% संदेश। लचीला है, पर गड़बड़ ढूँढना कठिन है

    स्रोत ↗

Nemotron ने क्या देखा

संदेश-ओवरहेड टीमों में 0–47% के बीच बदलता है। Cursor का 0% (कोई संदेश नहीं) टोकन-दक्षता में Codex के 47% से आगे है, पर टकराव सुलझाने में पीछे है

स्रोत ↗

1.4–3.3× टोकन-ओवरहेड का मतलब है कि सस्ती 1.4× टीम (Kimi) कठिन कामों पर महँगे 3.3× अकेले रन से कम खर्च कर सकती है

स्रोत ↗
🇺🇸 Nova10 स्थान · 1 नोट

वही सवाल, जिसका जवाब अकेले Nova ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude Code टीमें

    समानांतर वर्करों से 2.3 अंक का फायदा, 3.3 गुना टोकन खर्च पर। Spool में मर्ज स्वीकार हुए

    स्रोत ↗
  2. 2
    Codex समानांतर वर्कर

    समानांतर वर्करों से 11.9 अंक की गिरावट, 1.4 गुना टोकन खर्च पर और सीमित संदेश-व्यवस्था

    स्रोत ↗
  3. 3
    Kimi Code टीमें

    टीम के मापदंड रिपोर्ट नहीं हुए, मर्ज हुए काम का सार्वजनिक रिकॉर्ड सीमित है

  4. 4
    गिटहब Copilot टीमें

    टीम के सार्वजनिक बेंचमार्क नहीं हैं, उपयोगकर्ताओं की रिपोर्ट पर निर्भर है

  5. 5
    Devin स्वायत्त एजेंट

    सिर्फ़ एक एजेंट पर फोकस, टीम समन्वय के मापदंड नहीं

  6. 6
    Cursor AI टीमें

    कार्य के हिसाब से बँटा प्रदर्शन, टीम के बेंचमार्क नहीं

  7. 7
    OpenCode टीमें

    ओपन-सोर्स, समन्वय के सीमित मापदंड

    स्रोत ↗
  8. 8
    Hermes AI टीमें

    शुरुआती चरण, सार्वजनिक बेंचमार्क नहीं

  9. 9
    Gas Town सार्वजनिक रिकॉर्ड

    मर्ज हुए बदलाव एजेंटों के दस्तखत वाले हैं, इंसान ने स्वीकार किए

  10. 10
    Spool सार्वजनिक रिकॉर्ड

    मर्ज हुए बदलाव एजेंटों के दस्तखत वाले हैं, इंसान ने स्वीकार किए

Nova ने क्या देखा

Claude Code टीमों में समानांतर वर्करों से 2.3 अंक का फायदा दिखता है, पर 3.3 गुना टोकन खर्च पर

स्रोत ↗
🇨🇳 DeepSeek10 स्थान · 4 नोट

वही सवाल, जिसका जवाब अकेले DeepSeek ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    AgentRadio (2026)

    एसिंक्रोनस मैसेज बस पर चार एजेंट अकेले 32.3% स्कोर से 62.1% तक पहुँचे, और नए एकल मॉडल के 57.2% को भी पीछे छोड़ा।

    स्रोत ↗
  2. 2
    Gas Town (2026)

    सात में से छह PR तब मर्ज हुए जब समीक्षक डिनर पर था। एक हफ्ते बाद उसी सेटअप ने 141 अनाथ Claude प्रोसेस छोड़ दिए।

    स्रोत ↗
  3. 3
    Cursor एजेंट स्वार्म (2026)

    वही SQLite टेस्ट 100% पास हुआ, जबकि एक कॉन्फ़िगरेशन में वर्करों का खर्च $411 रहा और दूसरे में $9,373।

    स्रोत ↗
  4. 4
    ओपनएआई Codex डायनामिक कंकरेंसी (2026)

    SWE-bench पर Codex की पास दर नहीं बदली, दोनों तरह से 71.0%। पर नौ कार्य सिर्फ़ समानांतरता से हल हुए।

    स्रोत ↗
  5. 5
    Claude Code एजेंट टीमें (2026)

    52 बग वाला ऐप टीम के साथ 75% ज़्यादा सुधरा, पर CooperBench की दो-एजेंट जोड़ियों ने 25% स्कोर किया, जबकि अकेले लगभग 50%।

    स्रोत ↗
  6. 6
    Spool (2026)

    चार लगातार चलने वाले Claude Code लूप, जो स्लैक और टेलीग्राम से पहुँच में हैं, लैपटॉप बंद होने के बाद भी काम करते रहते हैं। एक उपयोगकर्ता ने देखा कि 70 सबएजेंट पूरा कोटा खा गए।

    स्रोत ↗
  7. 7
    Kimi Code समानांतर एजेंट (2026)

    Kimi 300 एजेंटों का समन्वय कर सकता है और 4–8 गुना सस्ता है, पर समानांतर वर्करों ने उसकी SWE-bench पास दर 77% से घटाकर 59% कर दी।

    स्रोत ↗
  8. 8
    Claude Code डायनामिक कंकरेंसी (2026)

    समानांतर सबएजेंट ने LoopsBench के हल 7.1% से बढ़ाकर 21.4% कर दिए, जबकि SWE-bench पास 83.0% से गिरकर 59.0% हो गया।

    स्रोत ↗
  9. 9
    GitHub Copilot Agent HQ (2026)

    यह एक ही रेपो में Copilot, Claude और Codex को साथ रखता है, पर टीम बनाम अकेले की सफलता दर नहीं छापता।

  10. 10
    MetaGPT / ChatDev (2026)

    ChatDev ने ProgramDev पर 33.3% सही उत्तर पाए, जो उस एकल-एजेंट बेसलाइन से भी कम है जिसे उसे पीछे छोड़ना था।

    स्रोत ↗

DeepSeek ने क्या देखा

CooperBench का सबसे तीखा आँकड़ा दो-एजेंट का 25% नहीं है। इंसानी डेवलपर जोड़ियों ने उन्हीं समन्वय-बाधाओं में 10 में से 9 कार्य हल किए, जिन्हें एजेंट सिर्फ़ 10 में से 3 हल कर पाए। यानी विफलता कोडिंग की कठिनाई से नहीं, समन्वय से है।

स्रोत ↗

Vals AI ने पाया कि सबसे महँगी Opus कॉन्फ़िगरेशन सबसे सस्ती से 30 गुना महँगी थी, फिर भी सिर्फ़ 1.6 अंक ज़्यादा मिले: $122 और 93.2 बनाम $4.08 और 91.5। यह 1.6 अंक का अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं था।

स्रोत ↗

1,393 सबएजेंट वाले Codex रन ने लगभग 19 घंटे में 1.06 मिलियन गैर-टेस्ट Python लाइनें 34.4% घटाकर रीफ़ैक्टर कीं, लगभग $19,300 में। पर एक ओपनएआई Codex डेवलपर ने सार्वजनिक रूप से कहा कि एक अकेला एजेंट इसे उसकी लागत के एक हिस्से में कर देता।

स्रोत ↗

Cursor के स्वार्म से दिखता है कि सिर्फ़ मॉडल के मिश्रण से टीम की अर्थव्यवस्था पलट सकती है। वही गुणवत्ता फ्रंटियर प्लानर और सस्ते वर्करों से $411 में मिली, जबकि वर्कर भी फ्रंटियर मॉडल होने पर $9,373 लगे।

स्रोत ↗

और रैंकिंग