Ranking Poly · de la tendencia del día

Equipos de agentes de programación con IA frente a un · 9 puestos

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.

Orden: de mayor a menor acuerdo entre las IA.

Una etiqueta brillante significa que esa IA puso el elemento en su lista. Una tenue, que no.

  1. 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.

    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
    Fuente ↗
  2. 2

    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.

    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
    Fuente ↗
  3. 3

    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.

    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
    Fuente ↗
  4. 4

    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.

    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
    Fuente ↗
  5. 5

    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.

    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
    Fuente ↗
  6. 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.

    En sus listas: Nova: 2 · DeepSeek: 8

    Qué señaló cada IA 2
    • Novapuesto 2

      Caída de 11,9 puntos con trabajadores paralelos y 1,4× el coste en tokens, con poca mensajería

      Fuente ↗
    • DeepSeekpuesto 8

      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 ↗
    2 IA lo pusieron aquí
    Fuente ↗
  7. 7

    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.

    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 aquí
    sin fuente indicada
  8. 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.

    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
    Fuente ↗
  9. 9

    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.

    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
    Fuente ↗

Más sobre los tres primeros ↓

02Más sobre los tres primeros

El ranking está arriba. Aquí tiene más sobre los tres primeros puestos: qué son, por qué están aquí y qué vale la pena saber.

Los tres no se miden igual: Gas Town tiene el relato de fusiones de un usuario, Cursor tiene aprobaciones de pruebas de SQLite sin una referencia de un solo agente, y Codex tiene puntuaciones de SWE-bench y Terminal-Bench.

1Gas Town

N.º 1 — Gas Town. En las listas de 4 de 4 IA; puesto mediano allí: 2. Las IA la pusieron en primer lugar porque mostró la forma más desarrollada de hacer trabajar juntos a muchos agentes, aunque el costo en tokens era muy alto.

¿Sabía que…?

  • Cuando salió el texto, el código de Gas Town tenía apenas 3 semanas y se describía como escrito por completo con «vibe coding». Según se informó, también requiere «experiencia en desarrollo asistido por IA de la etapa 7 o superior», así que no está pensado para principiantes.

    Fuente ↗
Qué es
Una herramienta que ejecuta de 20 a 30 agentes de Claude Code sobre una misma base de código.
Su ventaja
Mostró trabajo real fusionado: 6 de 7 solicitudes de cambios (pull requests) en una sola noche.
Para quién
Conviene a usuarios experimentados que puedan pagar los tokens; no a principiantes ni a quien necesite estabilidad.
  • Ganancia del equipo frente al costo6 de 7 cambios fusionados

Wikipedia · Wikidata

Por qué está aquí

  • Un usuario le dio a Gas Town 7 tareas antes de cenar y, al volver, encontró 6 solicitudes de cambios (pull requests) fusionadas. Es una tasa de fusión alta para agentes que trabajan juntos, aunque una persona todavía tuvo que revisar el trabajo.

    Fuente ↗

  • Ese mismo usuario encontró después 141 procesos huérfanos de Claude Code que seguían corriendo en una MacBook Air de 32 GB. Ese es el costo oculto de ejecutar muchos agentes a la vez: trabajo sobrante que nadie pidió.

    Fuente ↗
¿Sabía que…?

  • Gas Town da a sus agentes cargos de un yermo ficticio: Mayor, Polecats, Refinery, Witness, Deacon, Dogs y Crew. Funciona sobre tmux, está escrito en Go y se apoya en una herramienta llamada Beads.

    Fuente ↗
A tener en cuenta

  • Un resumen de investigación lo describe como caótico: el trabajo puede ser descuidado, con errores corregidos varias veces. No se recomienda a quien busque estabilidad en producción. También dice que los usuarios intensivos deberían presupuestar entre $100-300+ al mes.

    Fuente ↗

  • La misma página dice que Hacker News está muy dividido sobre si vale la pena el gasto en tokens. Llama a la herramienta un «devorador de dinero» que necesita suscripciones de pago a agentes.

    Fuente ↗
Dónde seguir

  • Abra el README y lea la lista de roles de agentes, como el Mayor y los Polecats, para ver quién hace qué. Luego mire cómo registra el trabajo con hooks respaldados en git, para entender cómo los agentes retoman donde se quedaron.

    Fuente ↗
Comparar los tres primeros ↓

2Enjambre de agentes de Cursor

N.º 2 — Enjambre de agentes de Cursor. En las listas de 4 de 4 IA; puesto mediano allí: 5.5. Las IA la ubicaron en segundo lugar porque todas las configuraciones llegaron a un 100% de aprobación, pero los costos variaron muchísimo y no hay comparación con un solo agente.

¿Sabía que…?

  • El enjambre anterior acumuló más de 70.000 conflictos de fusión. Un solo archivo tuvo 7.771 conflictos provocados por 1.173 agentes. En el nuevo diseño, ese mismo archivo tuvo 47.

    Fuente ↗
Qué es
Una configuración de Cursor en la que agentes planificadores y agentes trabajadores reconstruyeron SQLite.
Su ventaja
Todas las configuraciones superaron todas las pruebas, y el nuevo diseño tuvo muchos menos conflictos de fusión.
Para quién
Conviene a equipos interesados en combinaciones de modelos y en costos; no a quienes quieran una prueba frente a un solo agente.
  • Ganancia del equipo frente al costo100% de aprobación, $411–$9.373
Por qué está aquí

  • El enjambre de Cursor reconstruyó SQLite a partir de un manual. Las flotas de trabajadores costaron $411 con trabajadores Composer 2.5 bajo un planificador Opus, frente a $9.373 con trabajadores GPT-5.5. El costo depende mucho de qué modelos se usen.

    Fuente ↗ ✓ confirmado por varias IA

  • Tras cuatro horas, el nuevo enjambre superó entre el 73 y el 85 por ciento de las pruebas, mientras que el anterior superó entre el 11 y el 77 por ciento. Todas las configuraciones nuevas llegaron finalmente al 100%. En las ejecuciones con Opus, el nuevo enjambre usó 4.645 líneas de código frente a las 19.013 del anterior.

    Fuente ↗
¿Sabía que…?

  • El enjambre de Cursor reconstruyó SQLite en Rust usando solo el manual de 835 páginas. No tenía código fuente, ni conjunto de pruebas, ni internet. No sabía que existía la prueba de referencia sqllogictest, con sus millones de consultas SQL.

    Fuente ↗
Historia

  • A comienzos de 2026, el primer diseño de Cursor para construir un navegador falló: 20 agentes avanzaban a la velocidad de 2 o 3, sobre todo esperándose unos a otros. Cambiar a planificadores, trabajadores y un juez lo solucionó.

    Fuente ↗
A tener en cuenta

  • Cursor dice que evaluó las ejecuciones individuales de vanguardia solo de forma informal, así que no saca conclusiones sobre su calidad. Eso significa que no existe una comparación justa con un solo agente.

    Fuente ↗
Qué dice la gente

  • The difference is that a compiler preserves meaning at every step while the swarm is probabilistic at every one. — Cursor (company blog)

    Fuente ↗
Dónde seguir

  • Lea la publicación para ver cómo los agentes planificadores y trabajadores se reparten el trabajo. Luego busque la tabla de combinaciones de modelos y compare el costo de cada ejecución, para ver cómo el mismo resultado puede costar cantidades muy distintas.

    Fuente ↗
Comparar los tres primeros ↓

3Subagentes de OpenAI Codex

N.º 3 — Subagentes de OpenAI Codex. En las listas de 4 de 4 IA; puesto mediano allí: 4. Las IA la ubicaron en tercer lugar porque los subagentes no mejoraron la puntuación y costaron unas tres veces más tokens.

¿Sabía que…?

  • Los subagentes de Codex tienen límites por defecto. Pueden estar abiertos seis hilos a la vez, y un subagente no puede iniciar sus propios subagentes, porque max_depth vale 1 por defecto. Cada agente personalizado es solo un pequeño archivo TOML.

    Fuente ↗
Qué es
Ayudantes subagentes integrados en el agente de programación Codex de OpenAI.
Su ventaja
Le da un control claro: límite de hilos, profundidad limitada y subagentes solo cuando usted los pida.
Para quién
Conviene a quienes quieran probar los subagentes con cuidado; no a quienes esperen una mejor puntuación.
  • Ganancia del equipo frente al costo71,0% en ambos casos, 3 veces más tokens
¿Sabía que…?

  • Los subagentes de Codex se comunican solo de padre a hijo, no entre pares. Desde la versión multiagente v2 de marzo de 2026, reciben direcciones con formato de ruta, como /root/agent_a.

    Fuente ↗
Historia

  • El 16 de marzo de 2026, los subagentes de Codex salieron de la vista previa con un interruptor de función (feature flag) y quedaron disponibles para todos, tras varias semanas de pruebas detrás de ese interruptor.

    Fuente ↗
A tener en cuenta

  • La propia documentación de OpenAI dice que los flujos con subagentes consumen más tokens que ejecuciones comparables con un solo agente. Cada subagente hace su propio trabajo con el modelo y las herramientas.

    Fuente ↗

  • Codex solo crea subagentes cuando usted lo pide directamente o cuando las instrucciones del proyecto o de la habilidad lo indican. En la mayoría de los niveles de inteligencia, usted tiene que pedirlos, así que el costo extra depende de usted.

    Fuente ↗
Dónde seguir

  • Lea la página sobre cómo se inician los subagentes y cuántos pueden ejecutarse a la vez. Luego revise la configuración del límite de hilos y de la profundidad de anidamiento, que controlan cuántos trabajadores paralelos le cobran.

    Fuente ↗
Comparar los tres primeros ↓

Los tres primeros, lado a lado

Gas TownEnjambre de agentes de CursorSubagentes de OpenAI Codex
En las listas de las IA4 / 44 / 44 / 4
Ganancia del equipo frente al costo6 de 7 cambios fusionados100% de aprobación, $411–$9.37371,0% en ambos casos, 3 veces más tokens
Primero para———

Los puestos con el mismo número de IA se ordenan por su puesto medio en las listas de las IA.

Más rankings

03Vale la pena saber

Lo que notaron las IA al armar la lista.

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.

Lo notaron:
Lo incluyeron: Nova, DeepSeek. No lo incluyeron: Meta, Nemotron.
Fuente ↗

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.

Lo notaron:
Lo incluyeron: DeepSeek. No lo incluyeron: Meta, Nemotron, Nova.
Fuente ↗

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.

Lo notaron:
Lo incluyeron: Meta, DeepSeek. No lo incluyeron: Nemotron, Nova.
Fuente ↗

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.

Lo notaron:
Lo incluyeron: DeepSeek. No lo incluyeron: Meta, Nemotron, Nova.
Fuente ↗

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.

Lo notaron:
Lo incluyeron: Meta, DeepSeek. No lo incluyeron: Nemotron, Nova.
Fuente ↗

04Lo 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 ↗

05Cómo 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, 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.

06La lista de cada IA

🇺🇸 Meta10 puestos · 3 notas

La misma pregunta, respondida solo por Meta. La lista final de arriba combina todas las IA.

  1. 1
    Spool (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 ↗
  2. 2
    Gas 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 ↗
  3. 3
    Equipos 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 ↗
  4. 4
    Codex 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 ↗
  5. 5
    Trabajadores 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

  6. 6
    Equipos 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

  7. 7
    Factory / 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

  8. 8
    Omnigent (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 ↗
  9. 9
    Beads + 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 ↗
  10. 10
    Referencia 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

Fuente ↗

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%

Fuente ↗

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

Fuente ↗
🇺🇸 Nemotron10 puestos · 2 notas

La misma pregunta, respondida solo por Nemotron. La lista final de arriba combina todas las IA.

  1. 1
    Spool (2026)

    Cuatro agentes de Claude Code envían cada día solicitudes de cambio (PR) fusionadas durante semanas: la persona solo aprueba, nunca escribe

  2. 2
    Gas 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%

  3. 3
    OpenDevin 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 ↗
  4. 4
    Aider + 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 ↗
  5. 5
    Agentes 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

  6. 6
    Sesiones múltiples de Codex (2026)

    El paralelo de OpenAI: caída de 11,9 puntos en tareas con muchos conflictos, según arXiv:2610.10263

    Fuente ↗
  7. 7
    Flota 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 ↗
  8. 8
    Empresa 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 ↗
  9. 9
    Enjambre 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 ↗
  10. 10
    Desarrollo 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

Fuente ↗

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

Fuente ↗
🇺🇸 Nova10 puestos · 1 notas

La misma pregunta, respondida solo por Nova. La lista final de arriba combina todas las IA.

  1. 1
    Equipos de Claude Code

    Mejora de 2,3 puntos con trabajadores paralelos y 3,3× el coste en tokens; fusiones aceptadas en Spool

    Fuente ↗
  2. 2
    Trabajadores paralelos de Codex

    Caída de 11,9 puntos con trabajadores paralelos y 1,4× el coste en tokens, con poca mensajería

    Fuente ↗
  3. 3
    Equipos de Kimi Code

    Métricas de equipo sin publicar, con un registro público escaso de trabajo fusionado

  4. 4
    Equipos de GitHub Copilot

    Sin pruebas públicas de equipos; se basa en opiniones de usuarios

  5. 5
    Agente autónomo Devin

    Enfoque en un solo agente, sin métricas de coordinación de equipos

  6. 6
    Equipos de Cursor AI

    Rendimiento desglosado por tipo de tarea, sin pruebas de equipos

  7. 7
    Equipos de OpenCode

    Código abierto, con métricas de coordinación limitadas

    Fuente ↗
  8. 8
    Equipos de Hermes AI

    Fase temprana, sin pruebas públicas

  9. 9
    Registro público de Gas Town

    Cambios fusionados firmados por agentes y aceptados por una persona

  10. 10
    Registro 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

Fuente ↗
🇨🇳 DeepSeek10 puestos · 4 notas

La misma pregunta, respondida solo por DeepSeek. La lista final de arriba combina todas las IA.

  1. 1
    AgentRadio (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 ↗
  2. 2
    Gas 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 ↗
  3. 3
    Enjambre 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 ↗
  4. 4
    Concurrencia 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 ↗
  5. 5
    Equipos 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 ↗
  6. 6
    Spool (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 ↗
  7. 7
    Agentes 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 ↗
  8. 8
    Concurrencia 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 ↗
  9. 9
    Agent 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.

  10. 10
    MetaGPT / 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.

Fuente ↗

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.

Fuente ↗

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.

Fuente ↗

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.

Fuente ↗