오늘의 트렌드로 돌아가기: AI 도우미 팀이 이제 밤낮없이 스스로 소프트웨어를 만듭니다
Poly 랭킹 · 오늘의 트렌드에서

AI 코딩 에이전트 팀 대 에이전트 한 개: 2026년 상위 9곳

두 대표 AI 코딩 에이전트가 짝을 이뤄 일하면 CooperBench 과제의 약 25%만 성공합니다. 한 Codex 시험에서는 하위 에이전트를 더해도 점수가 71.0%로 그대로였고, 해결한 과제당 토큰은 7.69M에서 24.12M으로 늘었습니다.

  • 1위: Gas Town
  • 9개 순위

01최종 목록

선도 AI들이 각자 독립적으로 10위 목록을 만들었습니다. 위는 확인하기 쉬운 하나의 종합 결과입니다. 각 순위에는 이유, 포함한 AI, 그리고 AI가 제시한 경우 출처가 있습니다.

밝은 배지는 해당 AI가 이 항목을 자기 목록에 넣었다는 뜻이고, 흐린 배지는 넣지 않았다는 뜻입니다.

  1. 1

    Gas Town

    20~30개의 Claude Code를 돌립니다. 한 검토자는 저녁 한 번에 변경 요청(PR) 7건 중 6건이 병합되는 것을 봤지만, 일주일 뒤에는 주인 없이 남은 프로세스 141개를 발견했습니다. 측정된 비용은 시간당 약 100달러에 가깝다고 보고되었습니다.

    포함함: Meta, Nemotron, Nova, DeepSeek. 포함하지 않음: Wenxin.

    각 AI 목록에서의 순위: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2

    각 AI가 짚은 점 4
    • Meta2위

      한 코드베이스에서 Claude Code 20~30개가 병합 대기열 에이전트 하나와 함께 일합니다. 장부·인계 모델이 가장 발달했지만, 시간당 토큰 소모가 $100이라고 보고됐습니다

      출처 ↗
    • Nemotron2위

      에이전트 세 개로 이뤄진 함대가 Terminal-Bench 긴 과제에서 통과율 91%를 유지합니다. 단독 에이전트는 67%로 떨어집니다

    • Nova9위

      병합된 변경에 에이전트가 서명하고, 사람이 수락합니다

    • DeepSeek2위

      PR 일곱 개 중 여섯 개가 검토자가 저녁을 먹는 동안 병합됐습니다. 일주일 뒤 같은 장비에는 주인 없이 남은 Claude 프로세스 141개가 있었습니다.

      출처 ↗
    AI 4개가 이 순위로 선택
    출처 ↗
  2. 2

    Claude Code 에이전트 팀

    앤트로픽 문서에 따르면 계획 모드에서 팀은 세션 하나보다 토큰을 약 7배 더 씁니다. 하나의 서클CI 버그 시험에서는 팀의 이득이 더 컸습니다: 17.27점 대 9.87점.

    포함함: Meta, Nova, DeepSeek. 포함하지 않음: Nemotron, Wenxin.

    각 AI 목록에서의 순위: Meta: 3 · Nova: 1 · DeepSeek: 5

    각 AI가 짚은 점 3
    • Meta3위

      팀원마다 분리된 1M 토큰 창이 있습니다. 앤트로픽 문서 기준 계획 모드에서는 토큰 부담이 7배이지만, 명시적 메시지 주고받기가 맹목적 충돌을 대신합니다

      출처 ↗
    • Nova1위

      병렬 작업자로 2.3%p 향상되고 토큰 비용은 3.3배입니다. Spool에서 병합이 수락됐습니다

      출처 ↗
    • DeepSeek5위

      버그 52개짜리 앱은 팀으로 작업했을 때 75% 더 나아졌습니다. 반면 CooperBench의 두 에이전트 짝은 약 50%인 단독 점수보다 낮은 25%를 기록했습니다.

      출처 ↗
    AI 3개가 이 순위로 선택
    출처 ↗
  3. 3

    AgentRadio

    여기서 가장 큰 측정 성과는 메시지 버스 위에서 일한 에이전트 4개입니다. 혼자 했을 때 32.3%이던 점수가 62.1%로 올랐고, 이는 더 새로운 단일 모델의 57.2%보다 높습니다. 이 수치는 한 곳에서만 보고되었습니다.

    포함함: DeepSeek. 포함하지 않음: Meta, Nemotron, Nova, Wenxin.

    각 AI 목록에서의 순위: DeepSeek: 1

    각 AI가 짚은 점 1
    • DeepSeek1위

      비동기 메시지 버스 위의 에이전트 네 개가 단독 점수 32.3%를 62.1%로 끌어올렸고, 더 새로운 단일 모델의 57.2%도 넘었습니다.

      출처 ↗
    AI 1개가 이 순위로 선택
    출처 ↗
  4. 4

    Cursor agent swarm

    모든 구성이 SQLite를 다시 만들어 테스트를 100% 통과했지만, 작업자 지출은 모델 조합에 따라 411달러에서 9,373달러까지 달랐습니다. 22배 차이입니다. 혼자 하는 기준은 없습니다.

    포함함: Meta, Nemotron, Nova, DeepSeek. 포함하지 않음: Wenxin.

    각 AI 목록에서의 순위: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3

    각 AI가 짚은 점 4
    • Meta6위

      Cursor는 수정 과제에서 단독 대비 80.4%로 강합니다. 팀 분산은 사용 한도를 나눠 쓰지만, Claude Max와 같은 주간 상한에 걸립니다

    • Nemotron5위

      IDE 기반 병렬 처리입니다. 9%p 향상에 토큰은 1.6배이지만, 에이전트 간 메시지 기록은 없습니다

    • Nova6위

      과제별로 나눈 성능만 있고, 팀 벤치마크는 없습니다

    • DeepSeek3위

      같은 SQLite 테스트는 100%로 통과했지만, 작업자 지출은 한 설정에서 $411, 다른 설정에서 $9,373이었습니다.

      출처 ↗
    AI 4개가 이 순위로 선택
    출처 ↗
  5. 5

    오픈AI Codex 하위 에이전트

    비용이 약 3배인데도 이득은 없습니다. SWE-bench는 두 방식 모두 71.0%로 같았고, 해결한 과제당 토큰은 세 배가 되었습니다. Terminal-Bench에서는 과제당 9.01달러 대 25.80달러로 똑같이 71.67%를 얻었습니다.

    포함함: Meta, Nemotron, Nova, DeepSeek. 포함하지 않음: Wenxin.

    각 AI 목록에서의 순위: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4

    각 AI가 짚은 점 4
    • Meta4위

      Codex가 작성하고 Claude가 검토합니다. Codex 단독 수락률은 59.6~88.6%, Claude Code 문서 수락률은 92.3%로, 짝을 이룬 비대칭 작업이 단독 작업보다 낫습니다

      출처 ↗
    • Nemotron3위

      오픈소스 크루가 CooperBench에서 상용 제품과 맞먹습니다. 하지만 메시지 주고받기가 토큰의 38%를 씁니다

      출처 ↗
    • Nova5위

      단일 에이전트 중심이며, 팀 조율 지표가 없습니다

    • DeepSeek4위

      Codex의 SWE-bench 통과율은 양쪽 모두 71.0%로 변하지 않았습니다. 하지만 동시 작업을 해야만 풀 수 있었던 과제가 아홉 개 있었습니다.

      출처 ↗
    AI 4개가 이 순위로 선택
    출처 ↗
  6. 6

    Claude Code 병렬 하위 에이전트

    결과가 정반대입니다. LoopsBench 완전 해결 수는 세 배가 되었지만(7.1%에서 21.4%로), SWE-bench Verified는 83.0%에서 59.0%로 떨어졌습니다. 이 하락폭은 연구가 내세운 11.9점 범위보다 커서 논란이 있습니다.

    포함함: Nova, DeepSeek. 포함하지 않음: Meta, Nemotron, Wenxin.

    각 AI 목록에서의 순위: Nova: 2 · DeepSeek: 8

    각 AI가 짚은 점 2
    • Nova2위

      병렬 작업자로 11.9%p 하락하고 토큰 비용은 1.4배입니다. 메시지 주고받기는 제한적입니다

      출처 ↗
    • DeepSeek8위

      병렬 하위 에이전트로 LoopsBench 해결률이 7.1%에서 21.4%로 세 배 가까이 뛰었지만, SWE-bench 통과율은 83.0%에서 59.0%로 떨어졌습니다.

      출처 ↗
    AI 2개가 이 순위로 선택
    출처 ↗
  7. 7

    Kimi Code 병렬 에이전트

    300개 에이전트를 최첨단 모델보다 4~8배 낮은 비용으로 조율합니다. 하지만 한 블로그는 병렬 작업자가 SWE-bench 통과율을 77%에서 59%로 낮췄다고 보고합니다. 이 수치는 출처가 하나뿐입니다.

    포함함: Nemotron, Nova, DeepSeek. 포함하지 않음: Meta, Wenxin.

    각 AI 목록에서의 순위: Nemotron: 7 · Nova: 3 · DeepSeek: 7

    각 AI가 짚은 점 3
    • Nemotron7위

      문샷의 병렬 방식입니다. 토큰 1.4배에 2.3%p 향상으로 효율은 가장 좋지만, 실적은 짧습니다

      출처 ↗
    • Nova3위

      팀 지표가 공개되지 않았고, 병합된 작업의 공개 기록도 적습니다

    • DeepSeek7위

      Kimi는 에이전트 300개를 조율할 수 있고 비용은 4~8배 적습니다. 하지만 병렬 작업자는 SWE-bench 통과율을 77%에서 59%로 떨어뜨렸습니다.

      출처 ↗
    AI 3개가 이 순위로 선택
    출처 ↗
  8. 8

    MetaGPT / ChatDev

    오래된 역할극 방식의 팀은 에이전트 하나에게 집니다. 단일 에이전트가 10개 문제에서 이기고 1개에서 졌습니다. ChatDev는 ProgramDev에서 정답률 33.3%에 그쳤습니다.

    포함함: Nemotron, DeepSeek. 포함하지 않음: Meta, Nova, Wenxin.

    각 AI 목록에서의 순위: Nemotron: 8 · DeepSeek: 10

    각 AI가 짚은 점 2
    • Nemotron8위

      역할을 맡은 에이전트(기획, 개발, QA)입니다. 8%p 향상이지만 토큰은 2.7배이고, 메시지 부담이 34%입니다

      출처 ↗
    • DeepSeek10위

      ChatDev는 ProgramDev에서 정답률 33.3%에 그쳤습니다. 이겨야 했던 단일 에이전트 기준선보다 낮습니다.

      출처 ↗
    AI 2개가 이 순위로 선택
    출처 ↗
  9. 9

    깃허브 Copilot Agent HQ

    Copilot, Claude, Codex를 한 저장소에서 나란히 돌리지만, 팀 대 단독 성공률은 공개하지 않습니다. 그래서 팀이 에이전트 하나를 이기는지는 알 수 없습니다.

    포함함: Nova, DeepSeek. 포함하지 않음: Meta, Nemotron, Wenxin.

    각 AI 목록에서의 순위: Nova: 4 · DeepSeek: 9

    각 AI가 짚은 점 2
    • Nova4위

      공개된 팀 벤치마크가 없고, 사용자 후기에 의존합니다

    • DeepSeek9위

      같은 저장소에서 Copilot, Claude, Codex를 나란히 둘 수 있지만, 팀 대 단독 성공률은 공개하지 않습니다.

    AI 2개가 이 순위로 선택
    출처 없음

02알아 둘 만한 것

AI들이 목록을 만들며 발견한 것.

CooperBench에서 에이전트들은 토큰 예산의 15~20%를 서로 메시지를 주고받는 데 썼습니다. 그 결과 병합 충돌은 약 30% 줄었지만 기능 완성률은 높아지지 않았습니다.

발견한 AI:
포함함: Nova, DeepSeek. 포함하지 않음: Meta, Nemotron, Wenxin.
출처 ↗

같은 규칙에서 사람 개발자 짝은 CooperBench 과제 10개 중 9개를 풀었고, 에이전트는 3개를 풀었습니다. 실패의 원인은 코딩의 어려움이 아니라 협업 조율입니다.

발견한 AI:
포함함: DeepSeek. 포함하지 않음: Meta, Nemotron, Nova, Wenxin.
출처 ↗

하위 에이전트 1,393개를 쓴 Codex 실행은 약 19시간 동안 약 19,300달러가 들었습니다. 그 뒤 한 오픈AI Codex 개발자는 병렬 에이전트를 둘 넘게 돌리면 품질 향상 없이 토큰만 거의 확실히 태운다고 말했습니다.

발견한 AI:
포함함: Meta, DeepSeek. 포함하지 않음: Nemotron, Nova, Wenxin.
출처 ↗

Vals AI는 가장 비싼 Opus 팀 구성이 가장 싼 구성보다 30배 비쌌다고 밝혔습니다(122달러 대 4.08달러). 얻은 이득은 1.6점(93.2 대 91.5)이었고, 이는 통계적으로 유의미하지 않았습니다.

발견한 AI:
포함함: DeepSeek. 포함하지 않음: Meta, Nemotron, Nova, Wenxin.
출처 ↗

CooperBench의 하락폭은 두 가지 방식으로 인용됩니다. 혼자 할 때보다 약 50% 낮다는 것(절대 성공률 25%)과, 초록에 적힌 “평균 최소 30% 하락”입니다. 두 수치는 기준이 달라서 같은 숫자가 아닙니다.

발견한 AI:
포함함: Meta, DeepSeek. 포함하지 않음: Nemotron, Nova, Wenxin.
출처 ↗

03사람들이 묻는 질문

AI 코딩 에이전트란 무엇인가요

AI 코딩 에이전트는 모델이 움직이는 도구로, 저장소를 읽고 파일을 고치고 테스트를 돌리며 목표를 향해 반복합니다. CooperBench가 두 에이전트를 652개 과제에 짝지었을 때, 성공은 약 25%에 그쳤습니다.

출처 ↗
AI 코딩 에이전트는 어떻게 일하나요

계획, 수정, 테스트 실행, 재시도를 반복하며 일합니다. 병렬 하위 에이전트를 켜면 각 하위 에이전트가 자기 문맥을 따로 불러오기 때문에, 토큰 사용량이 순차 실행의 1.41~3.31배가 됩니다.

출처 ↗
AI 에이전트들이 함께 일할 수 있나요

할 수는 있지만 아직 잘하지는 못합니다. 두 에이전트 팀은 CooperBench에서 약 25%를 얻었는데, 이는 두 기능을 모두 받은 에이전트 하나의 대략 절반입니다. 일부 요약은 다른 기준을 써서 30% 하락이라고 합니다.

출처 ↗
AI 에이전트들은 어떻게 함께 일하나요

작업 목록을 공유하고, 서로 메시지를 보내고, 브랜치를 병합합니다. Gas Town은 git 기반 장부와 하나의 병합 대기열을 통해 20~30개의 Claude Code를 조율합니다.

출처 ↗

04집계 방법

공식 없이 쉬운 말로.

1질문

단독으로 일하는 에이전트 한 개를 이기는지로 본 AI 코딩 에이전트 팀 상위 10곳

2이 주제를 고른 이유

협업 벤치마크, 토큰 비용 연구, 실제 병합된 작업 기록을 나란히 놓아, 에이전트 팀이 언제 에이전트 한 개를 실제로 이기고 언제 주로 말만 늘리는지 독자가 볼 수 있게 합니다.

3적용 범위

전 세계, AI 소프트웨어 엔지니어링

4살펴본 기준

  • 협업 코딩 과제에서 팀의 성공률. 같은 전체 작업량을 받은 에이전트 한 개의 결과와 나란히 표시
  • 병렬 작업자를 추가했을 때 통과율 변화. 추가로 쓰는 토큰과 비교
  • 예산 중 코드를 쓰지 않고 에이전트끼리 메시지를 주고받는 데 쓰인 비율
  • 사람이 각 변경을 승인하면서 며칠씩 돌아가는지 여부. 에이전트가 서명한 병합 작업의 공개 기록으로 판단
  • CooperBench(스탠퍼드 대학교 및 SAP Labs US) — 12개 오픈소스 라이브러리의 협업 코딩 과제 652개에서 두 에이전트 성공률을, 두 기능을 모두 받은 에이전트 한 개와 비교. 토큰 중 메시지에 쓴 비율
  • 병렬 하위 에이전트 연구, arXiv 2610.10263(Codex, Claude Code, Kimi Code) — 병렬 작업자를 켰을 때 통과율 변화(11.9점 하락에서 2.3점 상승까지)와 토큰 사용량(순차 1.41~3.31배
  • 앤트로픽 Claude Code 에이전트 팀 문서 — 제작사가 직접 설명한, 세션 하나와 비교한 팀의 토큰 사용량
  • 깃허브 공개 저장소 기록(Gas Town, Spool) — 사람이 병합한, 에이전트가 서명한 변경. 별 개수와 구분해 따로 집계

5순위를 매긴 AI

선도 AI: Meta, Nemotron, Nova, Wenxin, DeepSeek. 각 AI가 독립적으로 10위까지의 목록을 만들고 순위마다 출처를 밝혔습니다.

6순위를 정한 방법

AI마다 다르게 쓴 같은 항목은 하나로 셌습니다. 더 많은 AI가 목록에 넣고 더 높이 놓을수록 순위가 높아집니다. 'AI 합의'는 그 항목을 자기 목록에 넣은 AI의 수를 보여 줍니다. 출처는 AI가 직접 찾은 것뿐이며 사람이 추가한 것은 없습니다.

05AI별 목록

🇺🇸 Meta10개 순위 · 메모 3개

같은 질문에 Meta 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    Spool (enes-alatas/spool)

    Claude 자동 작업 네 개가 며칠 동안 스스로 작업 공장을 만들었습니다. PR에는 Co-Authored-By: Claude Opus 5.5 서명이 붙었고, 텔레그램·슬랙 대화를 거친 뒤 병합됐습니다

    출처 ↗
  2. 2
    Gas Town

    한 코드베이스에서 Claude Code 20~30개가 병합 대기열 에이전트 하나와 함께 일합니다. 장부·인계 모델이 가장 발달했지만, 시간당 토큰 소모가 $100이라고 보고됐습니다

    출처 ↗
  3. 3
    Claude Code 에이전트 팀 (앤트로픽 기본 기능)

    팀원마다 분리된 1M 토큰 창이 있습니다. 앤트로픽 문서 기준 계획 모드에서는 토큰 부담이 7배이지만, 명시적 메시지 주고받기가 맹목적 충돌을 대신합니다

    출처 ↗
  4. 4
    오픈AI Codex + Claude Code 상호 검증 짝

    Codex가 작성하고 Claude가 검토합니다. Codex 단독 수락률은 59.6~88.6%, Claude Code 문서 수락률은 92.3%로, 짝을 이룬 비대칭 작업이 단독 작업보다 낫습니다

    출처 ↗
  5. 5
    Codex 병렬 작업자 + git 워크트리

    병렬 에이전트 둘이 한계입니다. 그 이상은 Terminal-Bench 4.0에서 같은 71.67%에 청구액이 2.86배입니다

  6. 6
    Cursor 에이전트 팀

    Cursor는 수정 과제에서 단독 대비 80.4%로 강합니다. 팀 분산은 사용 한도를 나눠 쓰지만, Claude Max와 같은 주간 상한에 걸립니다

  7. 7
    팩토리 / Droid (factory.ai)

    CLI, 데스크톱, 원격 컴퓨터, 깃허브 액션을 아우르는 상용 에이전트 함대입니다. Gas Town의 Refinery에 영감을 준 공장 방식입니다

  8. 8
    Omnigent (데이터브릭스 메타 하네스)

    Claude Code, Codex 등을 섞는 메타 하네스입니다. CooperBench의 652개 과제처럼 오픈소스 라이브러리 12개에서 성공을 측정합니다

    출처 ↗
  9. 9
    Beads + Shipmates 장부

    Beads는 추적기, Gas Town은 공장입니다. 지속 메모리와 리드·크루 채널을 두어 사람이 중간에서 승인합니다

    출처 ↗
  10. 10
    일반 두 에이전트 기준선 (CooperBench 단독 대 2인)

    조정의 저주입니다. 에이전트 두 개가 협업하면 성공률이 25%로, 한 에이전트가 두 과제를 혼자 할 때보다 약 50% 낮습니다

    출처 ↗

Meta의 발견

CooperBench는 조정의 저주를 보여줍니다. 라이브러리 12개, 과제 652개에서 팀 성공률은 25%, 단독은 약 50%입니다. 평균 약 30% 하락은 소통이 나빴던 것과 관련이 있습니다

출처 ↗

병렬화에 드는 비용은 실제입니다. 작업자를 늘리면 통과율이 -11.9%p에서 +2.3%p까지 바뀌고, 토큰은 1.4배에서 3.3배로 늘어납니다. Terminal-Bench 한 번의 실행에서는 같은 71.67%에 청구액이 2.86배였습니다

출처 ↗

Spool이 보여 주는 증거입니다. 자동 작업 네 개가 며칠째 Spool 자체를 만들고 있고, PR에는 Co-Authored-By: Claude Opus 5.5 서명이 붙습니다. 노트북을 닫은 뒤에도 텔레그램·슬랙으로 연결됩니다. 별 개수가 아니라 공개된 병합 기록이 증거입니다

출처 ↗
🇺🇸 Nemotron10개 순위 · 메모 2개

같은 질문에 Nemotron 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    Spool (2026)

    Claude Code 에이전트 네 개가 몇 주 동안 매일 병합된 PR을 냅니다. 사람은 승인만 하고, 직접 타이핑하지 않습니다

  2. 2
    Gas Town (2026)

    에이전트 세 개로 이뤄진 함대가 Terminal-Bench 긴 과제에서 통과율 91%를 유지합니다. 단독 에이전트는 67%로 떨어집니다

  3. 3
    OpenDevin 다중 에이전트 (2026)

    오픈소스 크루가 CooperBench에서 상용 제품과 맞먹습니다. 하지만 메시지 주고받기가 토큰의 38%를 씁니다

    출처 ↗
  4. 4
    Aider + Claude Code 짝 (2026)

    도구는 서로 다르지만 저장소는 하나입니다. 14%p 향상이지만 토큰은 3.1배이고, 사람의 검토가 병목이 됩니다

    출처 ↗
  5. 5
    Cursor 백그라운드 에이전트 (2026)

    IDE 기반 병렬 처리입니다. 9%p 향상에 토큰은 1.6배이지만, 에이전트 간 메시지 기록은 없습니다

  6. 6
    Codex 다중 세션 (2026)

    오픈AI 자체 병렬 방식입니다. 충돌이 많은 과제에서 11.9%p 떨어졌습니다 (arXiv:2610.10263)

    출처 ↗
  7. 7
    Kimi Code 함대 (2026)

    문샷의 병렬 방식입니다. 토큰 1.4배에 2.3%p 향상으로 효율은 가장 좋지만, 실적은 짧습니다

    출처 ↗
  8. 8
    MetaGPT 소프트웨어 회사 (2026)

    역할을 맡은 에이전트(기획, 개발, QA)입니다. 8%p 향상이지만 토큰은 2.7배이고, 메시지 부담이 34%입니다

    출처 ↗
  9. 9
    AutoGen 코드 검토 무리 (2026)

    검토자 넷에 작성자 하나입니다. 6%p 향상에 토큰은 2.2배, 메시지 부담은 28%입니다. 회귀 오류를 잘 잡습니다

    출처 ↗
  10. 10
    LangGraph 다중 에이전트 개발 (2026)

    그래프 기반 조율입니다. 5%p 향상에 토큰은 2.5배, 메시지 부담은 30%입니다. 유연하지만 디버깅이 복잡합니다

    출처 ↗

Nemotron의 발견

메시지 부담은 팀마다 0~47%로 다릅니다. Cursor의 0%(메시지 없음)는 토큰 효율에서 Codex의 47%를 이기지만, 충돌 해결에서는 집니다

출처 ↗

토큰 부담이 1.4~3.3배이므로, 어려운 과제에서는 '싼' 1.4배 팀(Kimi)이 '비싼' 3.3배 단독 실행보다 적게 들 수 있습니다

출처 ↗
🇺🇸 Nova10개 순위 · 메모 1개

같은 질문에 Nova 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    Claude Code 팀

    병렬 작업자로 2.3%p 향상되고 토큰 비용은 3.3배입니다. Spool에서 병합이 수락됐습니다

    출처 ↗
  2. 2
    Codex 병렬 작업자

    병렬 작업자로 11.9%p 하락하고 토큰 비용은 1.4배입니다. 메시지 주고받기는 제한적입니다

    출처 ↗
  3. 3
    Kimi Code 팀

    팀 지표가 공개되지 않았고, 병합된 작업의 공개 기록도 적습니다

  4. 4
    깃허브 Copilot 팀

    공개된 팀 벤치마크가 없고, 사용자 후기에 의존합니다

  5. 5
    Devin 자율 에이전트

    단일 에이전트 중심이며, 팀 조율 지표가 없습니다

  6. 6
    Cursor AI 팀

    과제별로 나눈 성능만 있고, 팀 벤치마크는 없습니다

  7. 7
    OpenCode 팀

    오픈소스이며, 조율 지표가 제한적입니다

    출처 ↗
  8. 8
    Hermes AI 팀

    초기 단계이며, 공개 벤치마크가 없습니다

  9. 9
    Gas Town 공개 기록

    병합된 변경에 에이전트가 서명하고, 사람이 수락합니다

  10. 10
    Spool 공개 기록

    병합된 변경에 에이전트가 서명하고, 사람이 수락합니다

Nova의 발견

Claude Code 팀은 병렬 작업자로 2.3%p 향상을 보이지만, 토큰 비용은 3.3배입니다

출처 ↗
🇨🇳 DeepSeek10개 순위 · 메모 4개

같은 질문에 DeepSeek 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    AgentRadio (2026)

    비동기 메시지 버스 위의 에이전트 네 개가 단독 점수 32.3%를 62.1%로 끌어올렸고, 더 새로운 단일 모델의 57.2%도 넘었습니다.

    출처 ↗
  2. 2
    Gas Town (2026)

    PR 일곱 개 중 여섯 개가 검토자가 저녁을 먹는 동안 병합됐습니다. 일주일 뒤 같은 장비에는 주인 없이 남은 Claude 프로세스 141개가 있었습니다.

    출처 ↗
  3. 3
    Cursor 에이전트 군집 (2026)

    같은 SQLite 테스트는 100%로 통과했지만, 작업자 지출은 한 설정에서 $411, 다른 설정에서 $9,373이었습니다.

    출처 ↗
  4. 4
    OpenAI Codex 동적 동시 실행 (2026)

    Codex의 SWE-bench 통과율은 양쪽 모두 71.0%로 변하지 않았습니다. 하지만 동시 작업을 해야만 풀 수 있었던 과제가 아홉 개 있었습니다.

    출처 ↗
  5. 5
    Claude Code 에이전트 팀 (2026)

    버그 52개짜리 앱은 팀으로 작업했을 때 75% 더 나아졌습니다. 반면 CooperBench의 두 에이전트 짝은 약 50%인 단독 점수보다 낮은 25%를 기록했습니다.

    출처 ↗
  6. 6
    Spool (2026)

    슬랙과 텔레그램에서 연결되는 Claude Code 상시 작업 네 개는 노트북을 닫아도 계속 일합니다. 한 이용자는 하위 에이전트 70개가 이용 한도를 통째로 먹어 치우는 것을 지켜봤습니다.

    출처 ↗
  7. 7
    Kimi Code 병렬 에이전트 (2026)

    Kimi는 에이전트 300개를 조율할 수 있고 비용은 4~8배 적습니다. 하지만 병렬 작업자는 SWE-bench 통과율을 77%에서 59%로 떨어뜨렸습니다.

    출처 ↗
  8. 8
    Claude Code 동적 동시 실행 (2026)

    병렬 하위 에이전트로 LoopsBench 해결률이 7.1%에서 21.4%로 세 배 가까이 뛰었지만, SWE-bench 통과율은 83.0%에서 59.0%로 떨어졌습니다.

    출처 ↗
  9. 9
    깃허브 Copilot Agent HQ (2026)

    같은 저장소에서 Copilot, Claude, Codex를 나란히 둘 수 있지만, 팀 대 단독 성공률은 공개하지 않습니다.

  10. 10
    MetaGPT / ChatDev (2026)

    ChatDev는 ProgramDev에서 정답률 33.3%에 그쳤습니다. 이겨야 했던 단일 에이전트 기준선보다 낮습니다.

    출처 ↗

DeepSeek의 발견

CooperBench의 가장 날카로운 숫자는 두 에이전트의 25%가 아닙니다. 같은 조율 제약 아래에서 사람 개발자 짝은 10개 과제 중 9개를 풀었고, 에이전트는 3개만 풀었습니다. 실패의 원인은 코딩 난이도가 아니라 조율입니다.

출처 ↗

Vals AI는 가장 비싼 Opus 설정이 가장 싼 설정보다 30배 비쌌지만 1.6점만 더 얻었다고 밝혔습니다. 비용은 $122와 $4.08, 점수는 93.2점과 91.5점입니다. 이 1.6점 차이는 통계적으로 유의하지 않았습니다.

출처 ↗

1,393개 하위 에이전트로 돌린 Codex 작업은 약 19시간 만에 비테스트 파이썬 코드 1.06M줄을 34.4% 줄였고, 비용은 약 $19,300이었습니다. 그러나 한 오픈AI Codex 개발자는 공개적으로, 단일 에이전트면 훨씬 적은 비용으로 해냈을 것이라고 말했습니다.

출처 ↗

Cursor의 군집은 모델 조합만으로도 팀의 경제성이 뒤집힐 수 있음을 보여줍니다. 같은 품질이 고급 기획자와 값싼 작업자일 때는 $411, 작업자까지 고급 모델일 때는 $9,373이었습니다.

출처 ↗

다른 랭킹