В CooperBench агенты тратили 15–20% токенового бюджета на переписку друг с другом. Это снизило конфликты слияния примерно на 30%, но не повысило долю выполненных функций.
Назад к тренду дня: Команда ИИ теперь круглосуточно сама создаёт собственный софт
Рейтинг Poly · из тренда дня
Команда ИИ-агентов для программирования против одного агента: топ-9 за 2026 год
Два ведущих ИИ-агента для программирования, работающие в паре, справляются лишь примерно с 25% задач CooperBench. В одном тесте Codex добавление субагентов оставило результат без изменений: 71,0%, при этом токенов на решённую задачу стало больше — с 7,69 млн до 24,12 млн.
- №1: Gas Town
- 9 мест
01Итоговый список
Ведущие ИИ независимо составили свои списки из десяти мест. Сверху — один итог, который легко проверить: у каждого места есть причина, список ИИ, которые его включили, и источник, если ИИ его дали.
Яркая плашка — этот ИИ включил пункт в свой список. Тусклая — не включил.
- 1
Gas Town
Запускает 20–30 экземпляров Claude Code. Один ревьюер за вечер получил 6 из 7 слитых изменений, а неделю спустя нашёл 141 зависший процесс. По счётчику расход составил около 100 долларов в час.
Включили: Meta, Nemotron, Nova, DeepSeek. Не включили: Wenxin.В их списках: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2
Что отметил каждый ИИ 4
- Metaместо 2
20–30 экземпляров Claude Code работают над одним кодом под управлением одного агента очереди слияний. Модель учёта и передачи задач здесь самая продуманная, но, по сообщениям, токены сгорают на $100 в час
Источник ↗ - Nemotronместо 2
Парк из трёх агентов держит 91% успешных решений в длинных задачах Terminal-Bench, а одиночный агент падает до 67%
- Novaместо 9
Слитые изменения подписаны агентами и приняты человеком
- DeepSeekместо 2
Шесть из семи PR слились, пока рецензент ужинал. Неделю спустя та же установка оставила 141 осиротевший процесс Claude.
Источник ↗
4 ИИ поставили сюда - 2
Команды агентов Claude Code
Документация Антропик говорит, что в режиме планирования команда тратит примерно в 7 раз больше токенов, чем одна сессия. Один тест на ошибку CircleCI показал, что выигрыш команды больше: 17,27 пункта против 9,87.
Включили: Meta, Nova, DeepSeek. Не включили: Nemotron, Wenxin.В их списках: Meta: 3 · Nova: 1 · DeepSeek: 5
Что отметил каждый ИИ 3
- Metaместо 3
Для каждого участника команды — отдельное окно на 1 млн токенов. По документации Антропик, в режиме плана токенов уходит в 7 раз больше, но явная переписка заменяет слепые конфликты
Источник ↗ - Novaместо 1
Прирост на 2,3 пункта от параллельных исполнителей при расходе токенов в 3,3 раза; в Spool слияния приняты
Источник ↗ - DeepSeekместо 5
Приложение с 52 багами улучшилось на 75% сильнее с командой. Но пары агентов CooperBench набрали 25% против ~50% у одиночек.
Источник ↗
3 ИИ поставили сюда - 3
AgentRadio
Самый заметный измеренный выигрыш здесь: четыре агента, которые общаются через общую шину сообщений, выросли с 32,3% в одиночку до 62,1%. Это обогнало более новую одиночную модель с 57,2%. Об этом сообщает только один источник.
Включили: DeepSeek. Не включили: Meta, Nemotron, Nova, Wenxin.В их списках: DeepSeek: 1
Что отметил каждый ИИ 1
- DeepSeekместо 1
Четыре агента на асинхронной шине сообщений подняли результат с 32,3% у одиночного запуска до 62,1%, и обошли более новую одиночную модель с 57,2%.
Источник ↗
1 ИИ поставили сюда - 4
Рой агентов Cursor
Каждая конфигурация пересобрала SQLite с 100% прохождением тестов. Но расходы исполнителей составили от 411 до 9 373 долларов в зависимости от набора моделей — разница в 22 раза. Результата одного агента для сравнения нет.
Включили: Meta, Nemotron, Nova, DeepSeek. Не включили: Wenxin.В их списках: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3
Что отметил каждый ИИ 4
- Metaместо 6
Cursor лучше справляется с исправлениями: 80,4% против работы в одиночку. Командный режим делит лимит, но упирается в тот же недельный потолок, что и Claude Max
- Nemotronместо 5
Параллельность внутри среды разработки: прирост на 9 пунктов, токенов в 1,6 раза больше, но переписки между агентами не зафиксировано
- Novaместо 6
Результаты разбиты по типам задач, командных тестов нет
- DeepSeekместо 3
Один и тот же тест SQLite прошёл на 100%, а расходы исполнителей составили $411 в одной конфигурации и $9 373 в другой.
Источник ↗
4 ИИ поставили сюда - 5
Субагенты OpenAI Codex
Без прироста при стоимости примерно втрое выше. На SWE-bench результат остался 71,0% в обоих случаях, а токенов на решённую задачу стало втрое больше. На Terminal-Bench 9,01 доллара против 25,80 доллара за задачу принесли одинаковые 71,67%.
Включили: Meta, Nemotron, Nova, DeepSeek. Не включили: Wenxin.В их списках: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4
Что отметил каждый ИИ 4
- Metaместо 4
Codex пишет, Claude проверяет: 59,6–88,6% принятых правок у одного Codex и 92,3% для документации у Claude Code. Парная работа с разными ролями побеждает работу в одиночку
Источник ↗ - Nemotronместо 3
Открытая команда не уступает закрытым решениям в CooperBench, но переписка съедает 38% токенов
Источник ↗ - Novaместо 5
Упор на одного агента, показателей координации команды нет
- DeepSeekместо 4
Доля успешных решений у Codex в SWE-bench не изменилась: 71,0% в обоих случаях. Но девять задач решались только при параллельной работе.
Источник ↗
4 ИИ поставили сюда - 6
Параллельные субагенты Claude Code
Результаты противоположные: в LoopsBench полное решение задач выросло втрое (с 7,1% до 21,4%), а на SWE-bench Verified упало с 83,0% до 59,0%. Это падение больше заявленного в исследовании диапазона в 11,9 пункта, поэтому результат оспаривается.
Включили: Nova, DeepSeek. Не включили: Meta, Nemotron, Wenxin.В их списках: Nova: 2 · DeepSeek: 8
Что отметил каждый ИИ 2
- Novaместо 2
Падение на 11,9 пункта от параллельных исполнителей при расходе токенов в 1,4 раза; переписка ограничена
Источник ↗ - DeepSeekместо 8
Параллельные субагенты утроили решения в LoopsBench, с 7,1% до 21,4%, а доля успешных в SWE-bench упала с 83,0% до 59,0%.
Источник ↗
2 ИИ поставили сюда - 7
Параллельные агенты Kimi Code
Координирует 300 агентов при стоимости в 4–8 раз ниже, чем у передовых моделей. Но один блог сообщает, что параллельные исполнители снизили долю прохождения SWE-bench с 77% до 59%. Эта цифра — из одного источника.
Включили: Nemotron, Nova, DeepSeek. Не включили: Meta, Wenxin.В их списках: Nemotron: 7 · Nova: 3 · DeepSeek: 7
Что отметил каждый ИИ 3
- Nemotronместо 7
Параллельность Moonshot: прирост 2,3 пункта при 1,4-кратном расходе токенов. Лучшая эффективность, но короткая история
Источник ↗ - Novaместо 3
Командные показатели не опубликованы, открытых записей о слитых работах мало
- DeepSeekместо 7
Kimi может координировать 300 агентов и стоит в 4–8 раз дешевле, но параллельные исполнители снизили её долю успешных решений в SWE-bench с 77% до 59%.
Источник ↗
3 ИИ поставили сюда - 8
MetaGPT / ChatDev
Старые командные схемы с ролевыми играми проигрывают одному агенту: он обыграл их в 10 задачах и проиграл в 1. ChatDev достиг лишь 33,3% правильных ответов на ProgramDev.
Включили: Nemotron, DeepSeek. Не включили: Meta, Nova, Wenxin.В их списках: Nemotron: 8 · DeepSeek: 10
Что отметил каждый ИИ 2
- Nemotronместо 8
Агенты с ролями (менеджер продукта, разработчик, тестировщик): прирост 8 пунктов, но токенов в 2,7 раза больше; 34% накладных расходов на переписку
Источник ↗ - DeepSeekместо 10
ChatDev достиг 33,3% правильных решений в ProgramDev, что ниже базового уровня одного агента, который он должен был обойти.
Источник ↗
2 ИИ поставили сюда - 9
GitHub Copilot Agent HQ
Работает с Copilot, Claude и Codex бок о бок в одном репозитории, но не публикует долю успешных решений команды против одного агента. Поэтому неизвестно, обгоняет ли команда одного агента.
Включили: Nova, DeepSeek. Не включили: Meta, Nemotron, Wenxin.В их списках: Nova: 4 · DeepSeek: 9
Что отметил каждый ИИ 2
- Novaместо 4
Публичных командных тестов нет, есть только отзывы пользователей
- DeepSeekместо 9
Система ставит Copilot, Claude и Codex рядом в одном репозитории, но не публикует долю успешных решений командой против одиночки.
2 ИИ поставили сюдаисточник не указан
02Стоит знать
Что заметили ИИ, пока составляли список.
Пары людей-разработчиков решили 9 из 10 задач CooperBench по тем же правилам, по которым агенты решили 3 из 10. Провал связан с координацией, а не со сложностью программирования.
Запуск с 1 393 субагентами в Codex стоил около 19 300 долларов примерно за 19 часов. Разработчик OpenAI Codex потом сказал, что больше двух параллельных агентов почти наверняка сжигают токены без прироста качества.
По данным Vals AI, самая дорогая настройка команды на Opus стоила в 30 раз больше самой дешёвой (122 доллара против 4,08 доллара). Прирост составил 1,6 пункта (93,2 против 91,5), и он статистически не значим.
Падение CooperBench приводят в двух вариантах: около 50% ниже, чем у одного агента (25% успеха в абсолютном выражении), и «не менее 30% среднего падения» в аннотации. Это разные базы сравнения, а не одна и та же цифра.
03Что спрашивают люди
что такое ИИ-агент для программирования
ИИ-агент для программирования — это инструмент, которым управляет модель: он читает репозиторий, правит файлы, запускает тесты и повторяет шаги, пока не достигнет цели. Когда CooperBench объединил двух таких агентов в 652 задачах, успех пришёлся лишь примерно на 25% случаев.
Источник ↗как работают ИИ-агенты для программирования
Они по кругу планируют, правят код, запускают тесты и пробуют снова. Когда включены параллельные субагенты, расход токенов вырастает в 1,41–3,31 раза по сравнению с последовательным запуском, потому что каждый субагент загружает собственный контекст.
Источник ↗могут ли ИИ-агенты работать вместе
Могут, но пока не очень хорошо. Командные пары из двух агентов набрали в CooperBench около 25% — примерно половину результата одного агента, которому дали обе функции. Некоторые обзоры называют это падением на 30%, потому что берут другую базу сравнения.
Источник ↗как ИИ-агенты работают вместе
Они делят списки задач, пишут друг другу и сливают ветки кода. Gas Town координирует 20–30 экземпляров Claude Code через журнал в git и единую очередь слияния.
Источник ↗04Как считали
Простыми словами, без формул.
1Вопрос
Топ-10 команд ИИ-агентов для программирования по тому, обгоняют ли они одного агента, работающего в одиночку
2Почему эта тема
Здесь рядом стоят эталон сотрудничества, исследование расхода токенов и реальные записи о слитой работе. Читатель видит, когда команда агентов действительно обгоняет одного агента, а когда в основном добавляет переписки.
3Где это применимо
весь мир, ИИ в разработке ПО
4На что смотрели
- Доля успешных решений команды в задачах совместного написания кода — рядом с одним агентом, которому дан тот же общий объём работы
- Изменение доли успешно пройденных тестов при добавлении параллельных исполнителей — в сравнении с дополнительными токенами, которые они расходуют
- Доля бюджета, потраченная на переписку агентов друг с другом, а не на написание кода
- Работает ли связка неделями с человеком, который принимает каждое изменение, — по публичной истории слитой работы, подписанной агентами
- CooperBench (Стэнфордский университет и SAP Labs US) — успех двух агентов в 652 задачах совместного написания кода по 12 библиотекам с открытым кодом против одного агента, которому даны обе функции; доля токенов, потраченных на переписку
- Исследование параллельных субагентов, arXiv 2610.10263 (Codex, Claude Code, Kimi Code) — изменение доли успешных решений при включённых параллельных исполнителях (от падения на 11,9 пункта до прироста на 2,3 пункта) и расход токенов (в 1,41–3,31 раза больше, чем при последовательном запуске)
- Документация Антропик по командам агентов в Claude Code — описание самого создателя о расходе токенов командой в сравнении с одной сессией
- Публичные записи на GitHub (Gas Town, Spool) — изменения агентов, слитые человеком, отдельно от числа звёзд
5Кто ставил места
Ведущие ИИ: Meta, Nemotron, Nova, Wenxin, DeepSeek. Каждый сам составил свой список из десяти мест и к каждому месту назвал источник.
6Как сведены места
Одно и то же, названное разными ИИ по-разному, считали за одно. Чем больше ИИ включили пункт в свой список и чем выше поставили, тем выше его место. «Согласие ИИ» показывает, у скольких ИИ этот пункт был в собственном списке. Источники — только те, что нашли сами ИИ, ничего не добавлено вручную.
05Список каждого ИИ отдельно
🇺🇸 Meta10 мест · заметок: 3
Тот же вопрос, ответ одного ИИ — Meta. Итоговый список выше объединяет все ИИ.
- 1Spool (enes-alatas/spool)
Четыре цикла Claude неделями строили собственную фабрику: изменения кода (PR) с подписью Co-Authored-By: Claude Opus 5.5 вливались в основную ветку после переписки в Telegram и Slack
Источник ↗ - 2Gas Town
20–30 экземпляров Claude Code работают над одним кодом под управлением одного агента очереди слияний. Модель учёта и передачи задач здесь самая продуманная, но, по сообщениям, токены сгорают на $100 в час
Источник ↗ - 3Команды агентов Claude Code (родные для Антропик)
Для каждого участника команды — отдельное окно на 1 млн токенов. По документации Антропик, в режиме плана токенов уходит в 7 раз больше, но явная переписка заменяет слепые конфликты
Источник ↗ - 4Связка OpenAI Codex и Claude Code в режиме противостояния
Codex пишет, Claude проверяет: 59,6–88,6% принятых правок у одного Codex и 92,3% для документации у Claude Code. Парная работа с разными ролями побеждает работу в одиночку
Источник ↗ - 5Параллельные исполнители Codex с git worktree
Два параллельных агента — это предел: дальше счёт в 2,86 раза больше при том же результате 71,67% в Terminal-Bench 4.0
- 6Cursor Agent Teams
Cursor лучше справляется с исправлениями: 80,4% против работы в одиночку. Командный режим делит лимит, но упирается в тот же недельный потолок, что и Claude Max
- 7Factory / Droid (factory.ai)
Коммерческий парк из CLI, десктопа, удалённых компьютеров и GitHub Actions. Это схема фабрики, которая вдохновила Refinery в Gas Town
- 8Omnigent (мета-обвязка Databricks)
Мета-обвязка, которая смешивает Claude Code, Codex и другие инструменты. Успех измеряется на 12 библиотеках с открытым кодом, например на 652 задачах CooperBench
Источник ↗ - 9Beads + журнал Shipmates
Beads — это трекер, Gas Town — это Factory — постоянная память плюс канал между руководителем и командой для согласования с человеком
Источник ↗ - 10Базовый вариант с двумя агентами (CooperBench: один против двоих)
Проклятие координации: 25% успеха, когда два агента работают вместе, и примерно на 50% ниже, чем у одного агента, который делает обе задачи сам
Источник ↗
Что заметил Meta
CooperBench выявил проклятие координации: 25% успеха у команды против ∼50% у одиночки на 652 задачах в 12 библиотеках. Среднее падение около 30% связано с плохой перепиской
Налог на параллельность реален: добавление исполнителей меняет долю успешных решений на от −11,9 до +2,3 пункта, а токены растут в 1,4–3,3 раза. В одном запуске Terminal-Bench счёт был в 2,86 раза выше при том же результате 71,67%
Доказательство Spool: четыре цикла неделями продолжают строить сам Spool. PR с подписью Co-Authored-By: Claude Opus 5.5 вливаются, а управлять ими можно из Telegram и Slack, даже когда ноутбук закрыт. Важен публичный журнал слияний, а не количество звёзд
🇺🇸 Nemotron10 мест · заметок: 2
Тот же вопрос, ответ одного ИИ — Nemotron. Итоговый список выше объединяет все ИИ.
- 1Spool (2026)
Четыре агента Claude Code неделями выпускают слитые PR каждый день. Человек только одобряет, сам код не пишет
- 2Gas Town (2026)
Парк из трёх агентов держит 91% успешных решений в длинных задачах Terminal-Bench, а одиночный агент падает до 67%
- 3OpenDevin Multi-Agent (2026)
Открытая команда не уступает закрытым решениям в CooperBench, но переписка съедает 38% токенов
Источник ↗ - 4Aider + Claude Code в паре (2026)
Два разных инструмента, один репозиторий: прирост на 14 пунктов, но токенов в 3,1 раза больше. Узкое место — проверка человеком
Источник ↗ - 5Фоновые агенты Cursor (2026)
Параллельность внутри среды разработки: прирост на 9 пунктов, токенов в 1,6 раза больше, но переписки между агентами не зафиксировано
- 6Codex в нескольких сессиях (2026)
Собственная параллельность OpenAI: падение на 11,9 пункта на задачах с конфликтами, по arXiv:2610.10263
Источник ↗ - 7Парк Kimi Code (2026)
Параллельность Moonshot: прирост 2,3 пункта при 1,4-кратном расходе токенов. Лучшая эффективность, но короткая история
Источник ↗ - 8Программная компания MetaGPT (2026)
Агенты с ролями (менеджер продукта, разработчик, тестировщик): прирост 8 пунктов, но токенов в 2,7 раза больше; 34% накладных расходов на переписку
Источник ↗ - 9Рой AutoGen для проверки кода (2026)
Четыре рецензента, один автор: прирост 6 пунктов, токенов в 2,2 раза больше, переписка — 28%. Хорошо ловит регрессии
Источник ↗ - 10Разработка с несколькими агентами в LangGraph (2026)
Оркестрация через граф: прирост 5 пунктов, токенов в 2,5 раза больше, переписка — 30%. Гибко, но сложно отлаживать
Источник ↗
Что заметил Nemotron
Накладные расходы на переписку у команд колеблются от 0 до 47%. У Cursor 0% (без переписки) — лучше по расходу токенов, чем у Codex с 47%, но хуже в разрешении конфликтов
Накладные расходы на токены от 1,4 до 3,3 раза означают, что «дешёвая» команда в 1,4 раза (Kimi) может обойтись дешевле, чем «дорогой» одиночный запуск в 3,3 раза на трудных задачах
🇺🇸 Nova10 мест · заметок: 1
Тот же вопрос, ответ одного ИИ — Nova. Итоговый список выше объединяет все ИИ.
- 1Команды Claude Code
Прирост на 2,3 пункта от параллельных исполнителей при расходе токенов в 3,3 раза; в Spool слияния приняты
Источник ↗ - 2Параллельные исполнители Codex
Падение на 11,9 пункта от параллельных исполнителей при расходе токенов в 1,4 раза; переписка ограничена
Источник ↗ - 3Команды Kimi Code
Командные показатели не опубликованы, открытых записей о слитых работах мало
- 4Команды GitHub Copilot
Публичных командных тестов нет, есть только отзывы пользователей
- 5Devin, автономный агент
Упор на одного агента, показателей координации команды нет
- 6Команды Cursor AI
Результаты разбиты по типам задач, командных тестов нет
- 7Команды OpenCode
Открытый код, показатели координации ограничены
Источник ↗ - 8Команды Hermes AI
Ранняя стадия, публичных тестов нет
- 9Публичная запись Gas Town
Слитые изменения подписаны агентами и приняты человеком
- 10Публичная запись Spool
Слитые изменения подписаны агентами и приняты человеком
Что заметил Nova
Команды Claude Code дают прирост 2,3 пункта от параллельных исполнителей, но при расходе токенов в 3,3 раза
🇨🇳 DeepSeek10 мест · заметок: 4
Тот же вопрос, ответ одного ИИ — DeepSeek. Итоговый список выше объединяет все ИИ.
- 1AgentRadio (2026)
Четыре агента на асинхронной шине сообщений подняли результат с 32,3% у одиночного запуска до 62,1%, и обошли более новую одиночную модель с 57,2%.
Источник ↗ - 2Gas Town (2026)
Шесть из семи PR слились, пока рецензент ужинал. Неделю спустя та же установка оставила 141 осиротевший процесс Claude.
Источник ↗ - 3Рой агентов Cursor (2026)
Один и тот же тест SQLite прошёл на 100%, а расходы исполнителей составили $411 в одной конфигурации и $9 373 в другой.
Источник ↗ - 4Динамическая параллельность OpenAI Codex (2026)
Доля успешных решений у Codex в SWE-bench не изменилась: 71,0% в обоих случаях. Но девять задач решались только при параллельной работе.
Источник ↗ - 5Команды агентов Claude Code (2026)
Приложение с 52 багами улучшилось на 75% сильнее с командой. Но пары агентов CooperBench набрали 25% против ~50% у одиночек.
Источник ↗ - 6Spool (2026)
Четыре постоянных цикла Claude Code, доступных из Slack и Telegram, продолжают работать после закрытия ноутбука. Один пользователь видел, как 70 субагентов съели весь лимит.
Источник ↗ - 7Параллельные агенты Kimi Code (2026)
Kimi может координировать 300 агентов и стоит в 4–8 раз дешевле, но параллельные исполнители снизили её долю успешных решений в SWE-bench с 77% до 59%.
Источник ↗ - 8Динамическая параллельность Claude Code (2026)
Параллельные субагенты утроили решения в LoopsBench, с 7,1% до 21,4%, а доля успешных в SWE-bench упала с 83,0% до 59,0%.
Источник ↗ - 9Agent HQ от GitHub Copilot (2026)
Система ставит Copilot, Claude и Codex рядом в одном репозитории, но не публикует долю успешных решений командой против одиночки.
- 10MetaGPT / ChatDev (2026)
ChatDev достиг 33,3% правильных решений в ProgramDev, что ниже базового уровня одного агента, который он должен был обойти.
Источник ↗
Что заметил DeepSeek
Самая острая цифра CooperBench — не 25% для двух агентов. Пары живых разработчиков решили 9 из 10 задач при тех же ограничениях координации, которые агенты одолели лишь в 3 из 10. Значит, провал в координации, а не в сложности кода.
Vals AI выяснила, что самая дорогая конфигурация Opus стоила в 30 раз больше самой дешёвой, при прибавке в 1,6 балла: $122 и 93,2 против $4,08 и 91,5. Разрыв в 1,6 балла статистически незначим.
Запуск Codex на 1 393 субагентах переписал 1,06 млн строк Python (без тестов), сократив их на 34,4% примерно за 19 часов и около $19 300. Но разработчик OpenAI Codex публично заявил, что один агент справился бы за долю этой цены.
Рой Cursor показывает, что экономика команды может перевернуться только из-за выбора моделей: то же качество стоило $411 с дорогим планировщиком и дешёвыми исполнителями, против $9 373, когда исполнители тоже были передовыми моделями.