أفاد موقع The Decoder بأن شركة Vals AI المتخصصة في التقييم اختبرت نموذجي GPT-6 Sol وClaude Opus 5.5 على معيار Vibe Code Bench، بشكل منفرد وضمن فرق، عند مستويين من جهد الاستدلال هما المتوسط والأقصى، ووجدت أن الفرق تكلف بين 1.8 و5.1 أضعاف تكلفة الوكيل المنفرد.

ومن بين أربع مقارنات، أظهرت مقارنة واحدة فقط تحسنا ذا دلالة إحصائية، هي GPT-6 Sol عند مستوى الاستدلال المتوسط، إذ سجل الفريق 7.3 نقاط إضافية. أما عند المستوى الأقصى فلم يمنح العمل الجماعي أيا من النموذجين ميزة حقيقية.

وفي اختبارين أجرتهما Anthropic على Opus 5.5، تراجعت مكاسب الجودة مع إضافة مزيد من الوكلاء؛ فالفرق الأكبر بلغت مستوى أداء معينا بسرعة أكبر، لكن الانتقال من 10 وكلاء إلى 100 لم يرفع النتائج إلا قليلا بعد 24 ساعة. وأظهر Fable 5.1 مكاسب أقوى في مهمة إثبات المبرهنات بلغة Lean عند تجاوز 10 وكلاء، لكنه بقي دون Opus 5.5 في جميع الاختبارات.

وأكد الباحث في OpenAI نوم براون (Noam Brown)، في بودكاست Dwarkesh، أن الأنظمة متعددة الوكلاء تحقق السرعة أساسا لا الجودة، إذ أنجز أربعة وكلاء المهام في نصف الوقت لكن بضعف التكلفة. وأوضح أن الأثر يتوقف على طبيعة المهمة، فالبحث على الويب والرياضيات يمكن توزيعهما بسهولة، بخلاف كتابة رواية.