No CooperBench, os agentes gastaram de 15% a 20% do orçamento de tokens trocando mensagens entre si. Isso reduziu os conflitos de merge em cerca de 30%, mas não aumentou a conclusão das funcionalidades.
Voltar à tendência do dia: Uma equipe de assistentes de IA agora cria o próprio software 24 horas por dia
Ranking Poly · da tendência do dia
Equipes de agentes de IA vs um agente: top 9 de 2026
Duas IAs líderes em programação trabalhando em dupla acertam só cerca de 25% das tarefas do CooperBench, e em um teste do Codex, somar subagentes deixou a nota em 71,0%, enquanto os tokens por tarefa resolvida subiram de 7,69M para 24,12M.
- Nº 1: Gas Town
- 9 posições
01Lista final
As IAs líderes fizeram, cada uma, a sua lista de dez posições. Acima, um resultado combinado fácil de conferir: cada posição tem um motivo, as IAs que a incluíram e, quando as IAs deram, uma fonte.
Uma etiqueta forte significa que essa IA pôs o item na sua lista. Uma esmaecida, que não pôs.
- 1
Gas Town
Roda de 20 a 30 instâncias do Claude Code. Um revisor viu 6 de 7 PRs aprovados em uma noite e, uma semana depois, encontrou 141 processos órfãos. O custo medido por uso ficou perto de US$ 100 por hora.
Incluíram: Meta, Nemotron, Nova, DeepSeek. Não incluíram: Wenxin.Nas listas delas: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2
O que cada IA notou 4
- Metaposição 2
20 a 30 instâncias do Claude Code no mesmo código, com um único agente para a fila de mesclagem — o modelo de registro e repasse mais desenvolvido, mas com gasto relatado de US$ 100 por hora em tokens
Fonte ↗ - Nemotronposição 2
Uma frota de três agentes mantém 91% de acerto nas tarefas longas do Terminal-Bench — um agente sozinho cai para 67%
- Novaposição 9
Mudanças mescladas assinadas por agentes e aceitas por uma pessoa
- DeepSeekposição 2
Seis de sete PRs foram mesclados enquanto o revisor jantava; uma semana depois, a mesma configuração deixou 141 processos órfãos do Claude.
Fonte ↗
4 IAs colocaram aqui - 2
Equipes de agentes do Claude Code
A documentação da Anthropic diz que uma equipe usa cerca de 7 vezes os tokens de uma sessão no modo de planejamento. Um único teste de bug do CircleCI achou ganho maior para a equipe: 17,27 contra 9,87 pontos.
Incluíram: Meta, Nova, DeepSeek. Não incluíram: Nemotron, Wenxin.Nas listas delas: Meta: 3 · Nova: 1 · DeepSeek: 5
O que cada IA notou 3
- Metaposição 3
Janelas isoladas de 1 milhão de tokens para cada membro — sobrecarga de 7 vezes em tokens no modo de planejamento, segundo a documentação da Anthropic, mas mensagens explícitas substituem conflitos às cegas
Fonte ↗ - Novaposição 1
Ganho de 2,3 pontos com agentes em paralelo e custo de 3,3× em tokens; mesclagens aceitas no Spool
Fonte ↗ - DeepSeekposição 5
Um app com 52 bugs melhorou 75% mais com uma equipe, mas as duplas de dois agentes no CooperBench tiveram 25%, contra cerca de 50% sozinhos.
Fonte ↗
3 IAs colocaram aqui - 3
AgentRadio
O maior ganho medido aqui: quatro agentes em um barramento de mensagens foram de 32,3% sozinhos para 62,1%, superando um modelo único mais novo, com 57,2%. Só uma fonte relata isso.
Incluíram: DeepSeek. Não incluíram: Meta, Nemotron, Nova, Wenxin.Nas listas delas: DeepSeek: 1
O que cada IA notou 1
- DeepSeekposição 1
Quatro agentes num barramento de mensagens assíncrono saltaram de 32,3% sozinhos para 62,1% — e superaram um modelo único mais novo, com 57,2%.
Fonte ↗
1 IAs colocaram aqui - 4
Enxame de agentes do Cursor
Todas as configurações reconstruíram o SQLite com 100% de testes aprovados, mas o gasto com os trabalhadores foi de US$ 411 a US$ 9.373, conforme a mistura de modelos, uma diferença de 22 vezes. Não há base de comparação com um agente sozinho.
Incluíram: Meta, Nemotron, Nova, DeepSeek. Não incluíram: Wenxin.Nas listas delas: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3
O que cada IA notou 4
- Metaposição 6
O Cursor se sai bem em tarefas de correção: 80,4% contra o trabalho solo — a equipe divide a cota, mas bate no mesmo limite semanal do Claude Max
- Nemotronposição 5
Paralelismo nativo do ambiente de programação — ganho de 9 p.p., 1,6× mais tokens, mas sem registro de mensagens entre agentes
- Novaposição 6
Desempenho separado por tipo de tarefa, sem testes de equipe
- DeepSeekposição 3
O mesmo teste do SQLite passou com 100%, enquanto o gasto com os agentes de trabalho chegou a US$ 411 numa configuração e a US$ 9.373 em outra.
Fonte ↗
4 IAs colocaram aqui - 5
Subagentes do OpenAI Codex
Nenhum ganho, por cerca de três vezes o custo. O SWE-bench ficou em 71,0% nos dois casos, enquanto os tokens por tarefa resolvida triplicaram. No Terminal-Bench, US$ 9,01 contra US$ 25,80 por tarefa compraram os mesmos 71,67%.
Incluíram: Meta, Nemotron, Nova, DeepSeek. Não incluíram: Wenxin.Nas listas delas: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4
O que cada IA notou 4
- Metaposição 4
O Codex escreve, o Claude revisa — aceitação de 59,6% a 88,6% só com o Codex e 92,3% em documentação com o Claude Code; a dupla assimétrica supera o trabalho solo
Fonte ↗ - Nemotronposição 3
Equipe de código aberto empata com as proprietárias no CooperBench — mas as mensagens consomem 38% dos tokens
Fonte ↗ - Novaposição 5
Foco em um único agente, sem métricas de coordenação de equipe
- DeepSeekposição 4
A taxa de acerto do Codex no SWE-bench não mudou — 71,0% nos dois casos —, mas nove tarefas só foram resolvidas com execução simultânea.
Fonte ↗
4 IAs colocaram aqui - 6
Subagentes paralelos do Claude Code
Resultados opostos: as resoluções completas no LoopsBench triplicaram (de 7,1% para 21,4%), mas o SWE-bench Verified caiu de 83,0% para 59,0%. Essa queda é maior que a faixa de 11,9 pontos destacada no estudo, por isso é contestada.
Incluíram: Nova, DeepSeek. Não incluíram: Meta, Nemotron, Wenxin.Nas listas delas: Nova: 2 · DeepSeek: 8
O que cada IA notou 2
2 IAs colocaram aqui - 7
Agentes paralelos do Kimi Code
Coordena 300 agentes a um custo de 4 a 8 vezes menor que os modelos de ponta, mas um blog relata que trabalhadores em paralelo baixaram a taxa de aprovação dele no SWE-bench de 77% para 59%. Esse número vem de uma única fonte.
Incluíram: Nemotron, Nova, DeepSeek. Não incluíram: Meta, Wenxin.Nas listas delas: Nemotron: 7 · Nova: 3 · DeepSeek: 7
O que cada IA notou 3
- Nemotronposição 7
O paralelismo da Moonshot — ganho de 2,3 p.p. com 1,4× mais tokens; a melhor eficiência, mas com histórico curto
Fonte ↗ - Novaposição 3
Métricas de equipe não divulgadas; pouco registro público de trabalho mesclado
- DeepSeekposição 7
O Kimi consegue coordenar 300 agentes e custa de 4 a 8 vezes menos, mas os agentes paralelos fizeram sua taxa de acerto no SWE-bench cair de 77% para 59%.
Fonte ↗
3 IAs colocaram aqui - 8
MetaGPT / ChatDev
As equipes antigas de encenação de papéis perdem para um agente: um agente único venceu em 10 problemas e perdeu em 1. O ChatDev atingiu só 33,3% de acertos no ProgramDev.
Incluíram: Nemotron, DeepSeek. Não incluíram: Meta, Nova, Wenxin.Nas listas delas: Nemotron: 8 · DeepSeek: 10
O que cada IA notou 2
- Nemotronposição 8
Agentes que assumem papéis (gerente de produto, desenvolvedor, testes) — ganho de 8 p.p., mas 2,7× mais tokens; 34% de sobrecarga com mensagens
Fonte ↗ - DeepSeekposição 10
O ChatDev chegou a 33,3% de acerto no ProgramDev — abaixo da referência de um único agente que ele deveria superar.
Fonte ↗
2 IAs colocaram aqui - 9
GitHub Copilot Agent HQ
Roda Copilot, Claude e Codex lado a lado em um mesmo repositório, mas não publica a taxa de sucesso de equipe contra agente sozinho, então não se sabe se a equipe supera um agente.
Incluíram: Nova, DeepSeek. Não incluíram: Meta, Nemotron, Wenxin.Nas listas delas: Nova: 4 · DeepSeek: 9
O que cada IA notou 2
- Novaposição 4
Sem testes públicos de equipe; depende de relatos de usuários
- DeepSeekposição 9
Ele põe Copilot, Claude e Codex lado a lado num mesmo repositório, mas não publica a taxa de acerto de equipe contra trabalho solo.
2 IAs colocaram aquifonte não informada
02Vale a pena saber
O que as IAs perceberam ao montar a lista.
Duplas de desenvolvedores humanos resolveram 9 de 10 tarefas do CooperBench sob as mesmas regras em que os agentes resolveram 3 de 10. A falha está na coordenação, não na dificuldade da programação.
Uma execução do Codex com 1.393 subagentes custou cerca de US$ 19.300 em aproximadamente 19 horas. Um desenvolvedor do OpenAI Codex disse depois que mais de dois agentes em paralelo quase certamente queimam tokens sem ganho de qualidade.
A Vals AI constatou que a configuração de equipe Opus mais cara custou 30 vezes a mais que a mais barata (US$ 122 contra US$ 4,08) por um ganho de 1,6 ponto (93,2 contra 91,5), que não foi estatisticamente significativo.
A queda do CooperBench aparece citada de duas formas: cerca de 50% abaixo do agente solo (25% de sucesso absoluto) e 'queda média de pelo menos 30%' no resumo. São bases de comparação diferentes, não o mesmo número.
03O que as pessoas perguntam
o que é um agente de programação com IA
Um agente de programação com IA é uma ferramenta guiada por modelo que lê um repositório, edita arquivos, roda testes e repete o processo até atingir um objetivo. Quando o CooperBench juntou dois deles em 652 tarefas, eles acertaram só cerca de 25% das vezes.
Fonte ↗como os agentes de programação com IA funcionam
Eles repetem em ciclo: planejam, editam, rodam testes e tentam de novo. Com subagentes em paralelo ligados, o uso de tokens sobe para 1,41–3,31 vez o da execução sequencial, porque cada subagente carrega o próprio contexto.
Fonte ↗agentes de IA conseguem trabalhar juntos
Conseguem, mas ainda não bem. Equipes de dois agentes marcaram cerca de 25% no CooperBench, mais ou menos a metade de um agente único que recebe as duas funcionalidades. Alguns resumos falam em queda de 30% porque usam outra base de comparação.
Fonte ↗como agentes de IA trabalham juntos
Eles dividem listas de tarefas, trocam mensagens e mesclam branches. O Gas Town coordena de 20 a 30 instâncias do Claude Code por meio de um registro baseado em git e de uma única fila de merge.
Fonte ↗04Como contamos
Em palavras simples, sem fórmulas.
1A pergunta
As 10 melhores equipes de agentes de programação com IA, por terem ou não superado um agente trabalhando sozinho
2Por que este tema
Ele coloca lado a lado um teste de cooperação, um estudo de custo em tokens e registros reais de trabalho mesclado, para que o leitor veja quando uma equipe de agentes realmente supera um agente e quando ela quase só acrescenta conversa.
3Onde se aplica
global, engenharia de software com IA
4O que analisamos
- Taxa de sucesso da equipe em tarefas de programação cooperativa, ao lado de um agente sozinho com a mesma carga total de trabalho
- Variação na taxa de aprovação ao acrescentar trabalhadores em paralelo, comparada com os tokens extras que eles usam
- Parcela do orçamento gasta com agentes trocando mensagens em vez de escrever código
- Se a configuração roda por dias com uma pessoa aprovando cada mudança, avaliado pelo registro público de trabalho mesclado e assinado pelos agentes
- CooperBench (Universidade Stanford e SAP Labs US) — Sucesso de dois agentes em 652 tarefas cooperativas de programação em 12 bibliotecas de código aberto, contra um agente com as duas funcionalidades; parcela de tokens gasta em m
- Estudo sobre subagentes paralelos, arXiv 2610.10263 (Codex, Claude Code, Kimi Code) — Variação na taxa de aprovação com trabalhadores em paralelo ligados (queda de 11,9 pontos a ganho de 2,3 pontos) e uso de tokens (1,41–3,31x o sequenti
- Documentação da Anthropic sobre equipes de agentes do Claude Code — A própria descrição do fabricante sobre o uso de tokens da equipe, comparado com uma sessão
- Registros de repositórios públicos no GitHub (Gas Town, Spool) — Mudanças assinadas por agentes e mescladas por uma pessoa, separadas das contagens de estrelas
5Quem classificou
As IAs líderes: Meta, Nemotron, Nova, Wenxin, DeepSeek. Cada uma montou sua própria lista de dez de forma independente e indicou uma fonte para cada posição.
6Como as posições foram definidas
O mesmo item escrito de formas diferentes por IAs diferentes foi contado como um só. Quanto mais IAs o colocaram na lista, e quanto mais alto, mais alta a posição. "Acordo das IAs" mostra quantas IAs tinham o item na própria lista. As fontes são apenas as que as próprias IAs encontraram; nada foi acrescentado à mão.
05A lista de cada IA
🇺🇸 Meta10 posições · 3 notas
A mesma pergunta, respondida só por Meta. A lista final acima combina todas as IAs.
- 1Spool (enes-alatas/spool)
Quatro loops do Claude escreveram a própria fábrica por dias — PRs assinados com Co-Authored-By: Claude Opus 5.5 e mesclados após conversas no Telegram/Slack
Fonte ↗ - 2Gas Town
20 a 30 instâncias do Claude Code no mesmo código, com um único agente para a fila de mesclagem — o modelo de registro e repasse mais desenvolvido, mas com gasto relatado de US$ 100 por hora em tokens
Fonte ↗ - 3Equipes de agentes do Claude Code (nativo da Anthropic)
Janelas isoladas de 1 milhão de tokens para cada membro — sobrecarga de 7 vezes em tokens no modo de planejamento, segundo a documentação da Anthropic, mas mensagens explícitas substituem conflitos às cegas
Fonte ↗ - 4Dupla adversarial OpenAI Codex + Claude Code
O Codex escreve, o Claude revisa — aceitação de 59,6% a 88,6% só com o Codex e 92,3% em documentação com o Claude Code; a dupla assimétrica supera o trabalho solo
Fonte ↗ - 5Agentes paralelos do Codex com git worktree
Dois agentes em paralelo é o limite — além disso, conta 2,86 vezes maior para os mesmos 71,67% no Terminal-Bench 4.0
- 6Equipes de agentes do Cursor
O Cursor se sai bem em tarefas de correção: 80,4% contra o trabalho solo — a equipe divide a cota, mas bate no mesmo limite semanal do Claude Max
- 7Factory / Droid (factory.ai)
Frota comercial que abrange linha de comando, desktop, computadores remotos e GitHub Actions — padrão de fábrica que inspirou o Refinery do Gas Town
- 8Omnigent (meta-arcabouço da Databricks)
Meta-arcabouço que mistura Claude Code, Codex e outros — mede o sucesso em 12 bibliotecas de código aberto, como as 652 tarefas do CooperBench
Fonte ↗ - 9Beads + registro Shipmates
O Beads é um rastreador, o Gas Town é uma fábrica — memória persistente mais um canal de líder e equipe para aprovação humana
Fonte ↗ - 10Referência genérica de dois agentes (CooperBench: sozinho vs. em dupla)
Maldição da coordenação — 25% de sucesso quando dois agentes colaboram, cerca de 50% menos do que um agente fazendo as duas tarefas sozinho
Fonte ↗
O que Meta percebeu
O CooperBench mostra a maldição da coordenação: 25% de sucesso em equipe contra cerca de 50% sozinho, em 652 tarefas de 12 bibliotecas — queda média de cerca de 30%, ligada à comunicação ruim
O custo do paralelismo é real: adicionar agentes muda a taxa de acerto em -11,9 a +2,3 pontos, enquanto os tokens se multiplicam de 1,4 a 3,3 vezes; uma execução do Terminal-Bench mostrou conta 2,86 vezes maior para os mesmos 71,67%
A prova do Spool: quatro loops seguem construindo o próprio Spool por dias, com PRs assinados com Co-Authored-By: Claude Opus 5.5, acessíveis pelo Telegram/Slack depois que o notebook é fechado — o registro público de mesclagens, não a contagem de estrelas
🇺🇸 Nemotron10 posições · 2 notas
A mesma pergunta, respondida só por Nemotron. A lista final acima combina todas as IAs.
- 1Spool (2026)
Quatro agentes do Claude Code entregam PRs mesclados todos os dias, por semanas — o humano só aprova, nunca digita
- 2Gas Town (2026)
Uma frota de três agentes mantém 91% de acerto nas tarefas longas do Terminal-Bench — um agente sozinho cai para 67%
- 3OpenDevin com múltiplos agentes (2026)
Equipe de código aberto empata com as proprietárias no CooperBench — mas as mensagens consomem 38% dos tokens
Fonte ↗ - 4Aider + dupla Claude Code (2026)
Duas ferramentas diferentes, um repositório — ganho de 14 p.p., mas 3,1× mais tokens; a revisão humana vira gargalo
Fonte ↗ - 5Agentes em segundo plano do Cursor (2026)
Paralelismo nativo do ambiente de programação — ganho de 9 p.p., 1,6× mais tokens, mas sem registro de mensagens entre agentes
- 6Codex com múltiplas sessões (2026)
O paralelismo da própria OpenAI — queda de 11,9 p.p. em tarefas com muitos conflitos, segundo arXiv:2610.10263
Fonte ↗ - 7Frota Kimi Code (2026)
O paralelismo da Moonshot — ganho de 2,3 p.p. com 1,4× mais tokens; a melhor eficiência, mas com histórico curto
Fonte ↗ - 8Empresa de software MetaGPT (2026)
Agentes que assumem papéis (gerente de produto, desenvolvedor, testes) — ganho de 8 p.p., mas 2,7× mais tokens; 34% de sobrecarga com mensagens
Fonte ↗ - 9Enxame de revisão de código do AutoGen (2026)
Quatro revisores, um redator — ganho de 6 p.p., 2,2× mais tokens, 28% com mensagens; se destaca em pegar regressões
Fonte ↗ - 10Desenvolvimento multiagente com LangGraph (2026)
Orquestrado por grafo — ganho de 5 p.p., 2,5× mais tokens, 30% com mensagens; flexível, mas difícil de depurar
Fonte ↗
O que Nemotron percebeu
A sobrecarga de mensagens varia de 0 a 47% entre as equipes — os 0% do Cursor (sem mensagens) superam os 47% do Codex em eficiência de tokens, mas perdem na resolução de conflitos
A sobrecarga de tokens de 1,4 a 3,3× significa que uma equipe 'barata' de 1,4× (Kimi) pode custar menos que uma execução solo 'cara' de 3,3× em tarefas difíceis
🇺🇸 Nova10 posições · 1 notas
A mesma pergunta, respondida só por Nova. A lista final acima combina todas as IAs.
- 1Equipes do Claude Code
Ganho de 2,3 pontos com agentes em paralelo e custo de 3,3× em tokens; mesclagens aceitas no Spool
Fonte ↗ - 2Agentes paralelos do Codex
Queda de 11,9 pontos com agentes em paralelo e custo de 1,4× em tokens; pouca troca de mensagens
Fonte ↗ - 3Equipes do Kimi Code
Métricas de equipe não divulgadas; pouco registro público de trabalho mesclado
- 4Equipes do GitHub Copilot
Sem testes públicos de equipe; depende de relatos de usuários
- 5Agente autônomo Devin
Foco em um único agente, sem métricas de coordenação de equipe
- 6Equipes de IA do Cursor
Desempenho separado por tipo de tarefa, sem testes de equipe
- 7Equipes do OpenCode
Código aberto, poucas métricas de coordenação
Fonte ↗ - 8Equipes de IA do Hermes
Fase inicial, sem testes públicos
- 9Registro público do Gas Town
Mudanças mescladas assinadas por agentes e aceitas por uma pessoa
- 10Registro público do Spool
Mudanças mescladas assinadas por agentes e aceitas por uma pessoa
O que Nova percebeu
As equipes do Claude Code mostram ganho de 2,3 pontos com agentes em paralelo, mas com custo de 3,3× em tokens
🇨🇳 DeepSeek10 posições · 4 notas
A mesma pergunta, respondida só por DeepSeek. A lista final acima combina todas as IAs.
- 1AgentRadio (2026)
Quatro agentes num barramento de mensagens assíncrono saltaram de 32,3% sozinhos para 62,1% — e superaram um modelo único mais novo, com 57,2%.
Fonte ↗ - 2Gas Town (2026)
Seis de sete PRs foram mesclados enquanto o revisor jantava; uma semana depois, a mesma configuração deixou 141 processos órfãos do Claude.
Fonte ↗ - 3Enxame de agentes do Cursor (2026)
O mesmo teste do SQLite passou com 100%, enquanto o gasto com os agentes de trabalho chegou a US$ 411 numa configuração e a US$ 9.373 em outra.
Fonte ↗ - 4Execução simultânea dinâmica do OpenAI Codex (2026)
A taxa de acerto do Codex no SWE-bench não mudou — 71,0% nos dois casos —, mas nove tarefas só foram resolvidas com execução simultânea.
Fonte ↗ - 5Equipes de agentes do Claude Code (2026)
Um app com 52 bugs melhorou 75% mais com uma equipe, mas as duplas de dois agentes no CooperBench tiveram 25%, contra cerca de 50% sozinhos.
Fonte ↗ - 6Spool (2026)
Quatro loops persistentes do Claude Code, acessíveis pelo Slack e pelo Telegram, seguem trabalhando depois que o notebook é fechado — e um usuário viu 70 subagentes consumirem toda a cota.
Fonte ↗ - 7Agentes paralelos do Kimi Code (2026)
O Kimi consegue coordenar 300 agentes e custa de 4 a 8 vezes menos, mas os agentes paralelos fizeram sua taxa de acerto no SWE-bench cair de 77% para 59%.
Fonte ↗ - 8Execução simultânea dinâmica do Claude Code (2026)
Subagentes em paralelo triplicaram as soluções no LoopsBench, de 7,1% para 21,4%, enquanto a taxa de acerto no SWE-bench caiu de 83,0% para 59,0%.
Fonte ↗ - 9Central de agentes do GitHub Copilot (2026)
Ele põe Copilot, Claude e Codex lado a lado num mesmo repositório, mas não publica a taxa de acerto de equipe contra trabalho solo.
- 10MetaGPT / ChatDev (2026)
O ChatDev chegou a 33,3% de acerto no ProgramDev — abaixo da referência de um único agente que ele deveria superar.
Fonte ↗
O que DeepSeek percebeu
O número mais forte do CooperBench não é o de 25% das duplas de agentes: duplas de desenvolvedores humanos resolveram 9 de 10 tarefas sob as mesmas restrições de coordenação, que os agentes resolveram só 3 de 10. Ou seja, a falha está na coordenação, não na dificuldade de programar.
A Vals AI constatou que a configuração mais cara do Opus custou 30 vezes mais que a mais barata, ganhando 1,6 ponto — US$ 122 e 93,2 contra US$ 4,08 e 91,5 —, e que essa diferença de 1,6 ponto não era estatisticamente significativa.
Uma execução do Codex com 1.393 subagentes refatorou 1,06 milhão de linhas de Python fora dos testes, reduzindo-as em 34,4%, em cerca de 19 horas e por aproximadamente US$ 19.300. Mas um desenvolvedor da OpenAI que trabalha com o Codex disse publicamente que um único agente faria o mesmo por uma fração do custo.
O enxame do Cursor mostra que a economia de uma equipe pode mudar só com a mistura de modelos: a mesma qualidade custou US$ 411 com um planejador de ponta e agentes de trabalho baratos, contra US$ 9.373 quando os agentes de trabalho também eram modelos de ponta.