Vals AI’nin yeni değerlendirmesinde, Vibe Code Bench üzerinde tekil yapay zekâ ajanları ile ajan ekipleri karşılaştırıldı. Testte önde gelen iki model olan GPT‑6 Sol ve Claude Opus 5.5, tek başlarına ve 100 ajana kadar çıkan gruplar hâlinde çalıştırıldı. Ekipler tek bir modele kıyasla 1.8 × ile 5.1 × arasında daha fazla token tüketti, ancak puanları neredeyse hiç yükseltmedi.
Rakamlar ne gösteriyor?
Dört karşılaştırmalı testten yalnızca biri istatistiksel açıdan anlamlı sonuç verdi: GPT‑6 Sol, orta düzey akıl yürütme ayarında ekip hâlinde çalıştırıldığında 7.3 puan daha yüksek aldı. En yüksek akıl yürütme ayarında ise iki model de ölçülebilir bir avantaj elde etmedi. Veriler, özellikle modeller zaten tam kapasitede çalışırken, ajan sürülerinin ek hesaplama maliyetinin kalite artışına nadiren dönüştüğünü gösteriyor.
Hız kazanmak neden daha iyi sonuç vermiyor?
OpenAI araştırmacıları da benzer bir sonuca işaret ediyor. Noam Brown bir podcast’te, ajan eklemenin esas olarak web araştırması veya matematik gibi paralelleştirilebilen görevleri hızlandırdığını, ancak yanıtın kendisini iyileştirmediğini söyledi. Dört ajan bir görevi iki kat daha hızlı çözdü, ancak maliyeti de iki katına çıkardı. Ajan sayısı onlarcaya çıkarıldığında getiriler azaldı; roman yazmak gibi yaratıcı işlerde ise büyük ajan sürüleri hiçbir katkı sağlamıyor.
Neden önemli
Bulut bilişim bütçesi yapan geliştiriciler için araştırma, çok sayıda yapay zekâ ajanı eklemenin ürün kalitesini artırmadan masrafları yükseltebileceği uyarısında bulunuyor. Rutin görevleri hızlandırmayı planlayan şirketler, token maliyetini sınırlı hız kazanımıyla karşılaştırmalı; tek ajanlı sistemlerin istemlerini iyileştirmek daha doğru bir seçenek olabilir.
