250 субагентов против 4 потоков: почему архитектура оркестрации важнее громкого имени модели

• Разрыв в OSWorld 2.0: 70,2% пройденных чекпойнтов против 34,7% полностью решённых задач
• Параллелизм оркестрации: 250 одновременных субагентов и 5 уровней вложенности в Claude Code против 4 потоков в Codex
• Расход на одну задачу миграции в Codex: 4,7 млрд токенов за неделю (из 12,7 млрд за полтора года)
• Длительность боевого теста: более 12 суток непрерывного прогона против 1 рабочего дня на рое агентов

Каждую волну релизов от крупных лабораторий сопровождает один и тот же визуальный гипноз. С выходом GPT-6 Astra ленты соцсетей заполнились красивыми роликами: модель крутит трёхмерные сцены в Blender, делает развёртку текстур, собирает инженерную деталь с экспортом в STEP и проходит 44-й уровень шуточной капчи, обыгрывая шахматный движок. Маркетологи сработали безупречно — люди мыслят глазами, и эффектная картинка мгновенно рождает легенду о наступившем сверхразуме.

Но если открыть исходники самой громкой инженерной демонстрации с чертежами, выясняется деталь, о которой забывают авторы репостов: это сторонний опенсорсный набор навыков `text-to-cad`, написанный независимым разработчиком. Точно так же мой Claude Code со специализированным скиллом управляет AutoCAD и Blender без всякой магии внутри весов.

Почему 72,6% в рекламной таблице OSWorld 2.0 не означают 72% сделанной работы?

Вторая уловка кроется в том, как вендоры подают цифры компьютерных бенчмарков. Безусловно, визуальное распознавание интерфейсов шагнуло вперёд — на ScreenSpot-Pro показатель дошёл до 92,7%. Однако цифра 72,6% на OSWorld 2.0, которую разнесли все техноблоги, в мелком примечании самой таблицы помечена как `partial score`.

Если открыть официальный независимый лидерборд OSWorld 2.0, там всегда стоят две колонки: доля пройденных промежуточных контрольных точек внутри сценария и доля задач, доведённых до финального результата. На примере верифицированных прогонов Claude Opus 5 видно, как устроена эта пропорция: модель проходит 70,2% чекпойнтов, но полностью закрывает только 34,7% задач. Разница ровно двукратная. Между «нажал две правильные кнопки из трёх» и «сдал готовый проект заказчику» лежит пропасть, которую не перепрыгнуть красивым превью.

Что показал 12-дневный стресс-тест по переносу 369 навыков и 40 агентов?

Чтобы проверять модели не на игрушечных примерах, я даю им реальную инфраструктурную работу. Задача звучала предельно конкретно: выполнить полную бесшовную миграцию моей рабочей среды (369 навыков, 40 агентов, роутинг, скрипты и многослойная память) из формата Claude Code в изолированный контур Codex.

Начал я этот эксперимент ещё на GPT-5.6 Sol, а после релиза переключил в работу GPT-6 Astra. Спустя двенадцать суток непрерывного выполнения и 4,7 миллиарда сожжённых за одну неделю токенов задача всё ещё не была закрыта. Для сравнения: аналогичный объём рефакторинга в моей штатной среде занимает один рабочий день.

Когда я раскопал документацию и бинарные ограничения обоих инструментов, причина всплыла на поверхность:

• В Claude Code переменная `CLAUDE_CODE_MAX_CONCURRENT_SUBAGENTS` принимает любое целое число — у меня в бою выставлено 250 параллельных субагентов и до 5 уровней иерархии.
• В Codex параметр `max_threads` зажат на уровне 4 открытых потоков, причём завершённый воркер продолжает занимать слот, пока оркестратор явно не вызовет `close_agent`.
• Вместо декларативных многоволновых пайплайнов приходится вручную дёргать примитивы `spawn_agent` и `wait_agent` по одному.

Почему неделя автономной работы агента — это симптом узкого горлышка,

а не повод для гордости?

Сейчас модно восхищаться тем, что агент может автономно пыхтеть над задачей целую неделю. На практике это означает одно: у системы нет нормальной шины оркестрации, чтобы разложить задачу на пятьдесят независимых рук и собрать результат за два часа с верификацией каждого куска. Даже самая быстрая модель в очереди из четырёх потоков проиграет грамотно спроектированному рою.

Подробные разборы архитектуры мультиагентных систем и честные тесты моделей без маркетинговой шелухи я публикую в канале [@jemal_hamidun](https://t.me/jemal_hamidun). Полноценный оркестратор без искусственных лимитов на потоки мы развиваем в продукте [Nomad AI](https://nomadnet.ai). Научиться строить волны субагентов можно на практике в [Hamidun Academy](https://academy.hamidun.com) с 72-часовым триалом, а забрать готовые конфигурации роёв и 370+ скиллов — в [Vibe Club](https://hamidun.com/club).