Coral's AgentRadioは、コーディングエージェントの精度を62%に引き上げたが、コストは6倍になった。

Why it matters

AgentRadio shows that orchestration can extract a model-generation-sized gain from existing coding agents. The commercial tradeoff is a roughly sixfold increase in inference cost.

Caelum Forder と Peter Carroll、Coral AI Labs の創業者は、AIモデル自体をアップグレードするのと同じくらい、モデルを取り巻くアーキテクチャが重要になり得るという証拠を示した。彼らの研究者による AgentRadio 論文（7月30日付で公開）は、Anthropic の Opus 4.6 を動かす4つの Claude Code エージェントが、実行中に発見を交換できるとき、要求の厳しいコードベース理解ベンチマークの62.1%を解けたと報告している。研究チームの実行では単独の Opus 4.6 エージェントは32.3%を解き、より新しい Opus 4.8 を用いた単一エージェントは Scale AI の公開ランキングで57.2%を記録した。

VentureBeat がこの研究を報じた後に広まった見出しほど比較は単純ではない。AgentRadio は Opus 4.6 が一般的に Opus 4.8 より優れている、あるいは4エージェントシステムが常に新しいモデルに勝ることを立証したわけではない。これは124のコード理解タスクで、ある Claude Code と Opus 4.8 の構成を上回ったにすぎない。Scale の現在のリーダーボードには既に Opus 5 を使う単一の Claude Code エージェントが63.17%で掲載されており、AgentRadio の62.1%をわずかに上回っている。

この急速な逆転は Coral の主張を鋭くする。モデルの新リリースは数日でベンチマークの優位を消し去り得る。協調ソフトウェアは、特に多くのファイル、ツール、実行ステップにまたがる作業において、企業が既に使っているモデルから大きな改善を生み出す可能性がある。ただし代償も明確だ：AgentRadio の4エージェント Opus 4.6 構成はタスクあたり平均 $19.45 で、単一エージェントは $2.96 だった。

Forder は Coral の技術創業者兼 CTO である。Coral の現在のチームページによると、彼は以前 IBM Watson で AI インフラを構築し、Conjecture で AI セーフティに取り組み、マルチエージェントフレームワーク開発者 CAMEL-AI の創業エンジニアを務めていた。Coral の CEO である Carroll は、Coral の初期開発をセルフファンディングし、Forder のエージェント協調に関する仕事を中心に事業を組み立てる前に、ゲームスタジオを従業員30人規模まで育てたと述べている。主任研究者の Xinxing Ren（Brunel University London の博士号取得者で元 CAMEL-AI 貢献者）は、Qianbo Zang、Ziyan Wang、Forder、Suman Deb、Carroll、Zekun Guo とともに論文の共著者7名の一人だった。

AgentRadio が変える点

AgentRadio は、影響が大きい平凡なシステム問題に対処する：タスクを実行しているエージェントは通常、同時にライブ会話を監視できない。既存のマルチエージェント設計は、多くの場合複数のエージェントを別々の経路に送り、後でその回答を統合するか、あるいはすべてのエージェントに情報交換の前に同期したチェックポイントで止まらせることを要求する。どちらの設計も、進行中の作業を方向転換させうる発見の遅延を招く。

Coral のシステムは既存のコーディングエージェント用ハーネスに3つの通信操作を追加する：create_thread、send_message、wait_for_mention。エージェントは名前付きの会話を開き、非ブロッキングのメッセージを送信し、メンション監視をバックグラウンドのオペレーティングシステムプロセスとして実行できる。受信メッセージは進行中のコマンドを止めることなくエージェントの実行ステップ間に現れる。

オープンソース実装（Apache 2.0 ライセンス）は Claude Code 自体の変更を必要としない。各エージェントは薄いシェルスクリプトを介して個別のメッセージサーバーと通信する。研究者たちはベンチマークコンテナ内で1台のサーバーと4つの Claude Code エージェントを実行し、Modal と Harbor を使ってジョブを管理した。

Coral はこれらのプリミティブを5段階の運用手順にラップした。最初に4つのエージェントは独立してリポジトリを調査する。次に質問の分割方法を交渉し、割り当てられた調査を並行して実行し、互いの証拠をレビューして、1つの指名されたエージェントが最終回答を組み立てて承認する。実行中、エージェントは他のエージェントの割り当てに影響する発見、合意した計画に矛盾する事項、あるいは行き止まりを露呈する発見を投稿するよう指示される。

通常のマルチエージェント委任と AgentRadio の区別はその実行フェーズにある。Coral のブロッキング構成では、エージェントはメッセージを待つためにフォアグラウンドのステップを費やす必要があり、そのため傾向として聞かずに作業を進める。一方、受動的認識（passive awareness）では監視がバックグラウンドで動作し、次のステップの境界でメッセージを供給する。

交渉が最大の改善を生んだ

Coral の実験はアーキテクチャを層に分け、完成したシステムと単一エージェントだけを比較するのではなく各層の寄与を分離した。

単独の Opus 4.6 エージェントは124タスク中40タスク、すなわち32.3%を解決した。基本的な作業分割を行う4エージェントは49タスクを解決し、精度を39.5%に引き上げた。共同計画と相互レビューを加えると64タスク、51.6%に上昇した。メッセージ受信をバックグラウンドに移すと最終的に77タスク、つまり62.1%の結果が得られた。

このステップごとの積み上げが重要なのは、エージェントを増やすだけが最も弱い介入だったことを示すからだ。基本的なタスク分割で7.2ポイント、交渉でさらに12.1ポイント、受動的認識でさらに10.5ポイントが上乗せされた。4エージェントの結果は、エージェントに割り当てを交渉させ、証拠を露呈させ、進行中の作業を修正させる構造化されたプロセスから生じている。

研究者らは同じ Claude Code ハーネス内で DeepSeek V4 Pro を用いてアーキテクチャの変更を繰り返した。単一エージェントのベースラインは29%だった。分割で31.4%、交渉で39.5%、AgentRadio で最終50.8%となった。2つのモデルファミリにわたる類似の進展は、改善が Opus 4.6 の孤立した特異性ではなく協調レイヤーから来たという Coral の主張を裏付ける。

Coral は受動的認識ステップに対する対応する有意性検定も報告した。Opus 4.6 ではバックグラウンド通信により15件の以前失敗していたタスクが合格に変わる一方、ブロッキングシステムが合格していた2件を失った。DeepSeek では対応する件数は17勝3敗だった。報告された p 値はそれぞれ0.0023 と 0.0026 である。

これらの失敗は重要だ。メッセージはエージェントを生産的な調査から気をそらすことがあり、不正確な結論を広めたりチームメイトの弱い仮説に注意を向けさせたりする可能性がある。エージェント間通信は、配信メカニズムが設計通りに働く場合でも、コンテキスト汚染の別の原因を導入する。

ベンチマークより経済面の課題が厳しい

AgentRadio の最も強い結果は、単一の Opus 4.6 実行の約6.6倍のコストがかかった。基本的な分割はタスクあたり平均 $5.38、交渉を加えると請求は $15.59 に上がった。受動的認識で $19.45 になった。

Coral は改善が単により多くのトークン消費から来るのかを検証するため、単一エージェントを6回独立に実行して最良の回答を採る方法を試した。このアプローチはタスクあたり $17.76 かかり、4エージェントシステムの予算に近く、37.9% のタスクを解決した。AgentRadio は $1.69 追加で費やして62.1% に達した。DeepSeek の実験では、6回の独立実行は $2.52 で31.4% を記録したのに対し、AgentRadio は $2.46 で50.8% を記録した。

この対照は、推論量と組織化された推論との有用な区別を支持する。同じプロセスを繰り返すと追加の試行が生まれる。AgentRadio は予算を別々のコンテキストに配分し、交渉とライブメッセージを用いて最終回答が確定する前に発見を組み合わせる。

企業の購入担当者は、1件のコードベースに関する質問で概ね $3 からほぼ $20 へ飛躍したことを正当化する必要がある。正確な回答が数時間のエンジニア作業、運用インシデント、あるいは欠陥あるマイグレーションを防ぐ場合、この計算はもっともらしくなる。ルーチンな質問、高頻度の自動化、あるいは人が安価に回答を検証できるワークフローでは難しくなる。

Anthropic も 2025 年に自社のマルチエージェント研究システムを説明する中で同様の経済的結論に達した。Anthropic はマルチエージェントシステムは通常のチャット相互作用より約15倍のトークンを使用し、価値が高く並列化しやすい仕事で最適に機能すると述べた。Anthropic はまた、ソフトウェアタスクは依存関係を含み、エージェントはリアルタイムで協調するのが難しいため、コーディングは困難なケースであると指摘した。AgentRadio はその制約を緩めようとする直接的な試みであり、根本的なコストを取り除くものではない。

ベンチマークは徹底的な理解を評価する

SWE-Atlas Codebase QnA は、エージェントが編集を行う前に不慣れな本番リポジトリを理解できるかを測定する。124のタスクは Go、Python、C、TypeScript で書かれた11のリポジトリをカバーする。質問はアーキテクチャ、根本原因分析、エンジニアのオンボーディング、セキュリティ、API の挙動に及ぶ。

Static code search is insufficient. An agent receives a repository in a Docker container and may need to compile it, execute commands, reproduce behavior and trace a path across multiple files. Each answer is graded against an average of 12.3 factual criteria. A task counts as resolved only if every criterion passes, and modifying source files triggers an automatic failure.

静的なコード検索だけでは不十分だ。エージェントはリポジトリをDockerコンテナで受け取り、コンパイル、コマンド実行、挙動の再現、複数ファイルにまたがる経路のトレースを行う必要がある場合がある。各回答は平均12.3の事実基準に照らして採点される。すべての基準が合格した場合にのみタスクは解決済みと見なされ、ソースファイルの変更は自動的に不合格となる。

The design makes SWE-Atlas a better test of long-running investigation than conventional coding evaluations centered on producing a patch. It remains one benchmark with its own grading choices. The AgentRadio experiments used Claude Opus 4.5 as the judge, fixed across all configurations, and ran each full 124-task configuration once. Coral separately repeated the four main Opus 4.6 configurations three times on a 30-task subset. AgentRadio averaged 64.4% there with a standard deviation of two percentage points, and its weakest run still exceeded the best run from the other configurations.

この設計により、SWE-Atlasはパッチを生成することに中心を置いた従来のコーディング評価よりも、長期にわたる調査の能力をよりよく評価するテストとなっている。それは独自の採点方針を持つ一つのベンチマークにすぎない。AgentRadioの実験では、判定にClaude Opus 4.5が使用され、すべての構成で固定され、各124タスクの全構成を1回ずつ実行した。Coralは別に、主要なOpus 4.6の4構成を30タスクのサブセットでそれぞれ3回繰り返した。そこではAgentRadioの平均は64.4%で、標準偏差は2パーセンテージポイントであり、最も成績の悪い実行でも他の構成の最良実行を上回った。

The public leaderboard also illustrates how quickly the reference point moves. The paper compared AgentRadio with Opus 4.8 because that was the strongest single-agent entry cited by the researchers. As of August 8th, Scale lists Opus 5 at 63.17%, alongside the Opus 4.8 result of 57.26%. Coral's result remains evidence for an architecture improvement. It is no longer the highest score among the entries being compared.

公開リーダーボードは参照点がいかに速く変わるかも示している。論文では、研究者が引用した中で最も強力な単一エージェントとしてOpus 4.8とAgentRadioを比較した。8月8日時点でScaleはOpus 5を63.17%として掲載しており、Opus 4.8の結果は57.26%であった。Coralの結果はアーキテクチャ改善の証拠として残るが、比較対象エントリの中で最も高いスコアではなくなっている。

Live messages helped most when the plan was wrong

The largest gains appeared on architecture and system-design questions, where evidence tends to cross component boundaries. A naive four-agent division reduced Opus 4.6's resolved tasks in that category from 15 to 13. Negotiation raised the count to 24, and passive communication lifted it to 30. Splitting a tightly connected system into isolated assignments initially damaged performance; forcing the agents to reconcile those assignments reversed the loss.

最大の改善は、証拠がコンポーネントの境界を越える傾向にあるアーキテクチャやシステム設計の問題で現れた。単純な4エージェント分割は、そのカテゴリにおけるOpus 4.6の解決済みタスク数を15から13に減らした。ネゴシエーションはその数を24に引き上げ、パッシブな通信は30まで押し上げた。密接に結びついたシステムを孤立した割り当てに分割すると当初は性能が悪化するが、エージェントにそれらの割り当てを調整させることでその損失は逆転した。

Coral's MinIO case study shows the mechanism. A task required per-request server-side evidence, but none of the agents' initial plans mentioned enabling audit logging. In the blocking run, two agents separately encountered the logging issue and failed to turn it into shared evidence. One found the correct MINIO_AUDIT_WEBHOOK_ENABLE switch without proposing it to the others. The group later approved an incomplete conclusion.

CoralのMinIOケーススタディがそのメカニズムを示している。あるタスクはリクエストごとのサーバー側証拠を必要としたが、どのエージェントの初期プランも監査ログの有効化に触れていなかった。ブロッキング実行では、2つのエージェントが別々にログの問題に遭遇したが、それを共有可能な証拠に変換することに失敗した。1つのエージェントは正しい MINIO_AUDIT_WEBHOOK_ENABLE スイッチを見つけたが、それを他のエージェントに提案しなかった。グループは後に不完全な結論を承認した。

In the passive run, an agent enabled the audit webhook and posted the resulting records while the other agents were still working. One piece of instrumentation became evidence available to the entire group, and the answer moved from passing 11 of 16 grading criteria to passing all 16.

パッシブ実行では、あるエージェントが監査Webhookを有効にして得られたレコードを、他のエージェントが作業している間に投稿した。ある一つの計測結果がグループ全体で利用可能な証拠となり、回答は16の採点基準のうち11を満たす状態から、すべての16基準を満たす状態へと変わった。

A Grafana task exposed AgentRadio's boundary. Four grading criteria required the agents to establish that certain behavior did not occur. Neither configuration formed the correct negative conclusion, even after running relevant tests. Both passed five of nine criteria. A messaging layer can distribute an insight that one agent discovers. It cannot distribute an insight that none of them reaches.

GrafanaのタスクはAgentRadioの限界を露呈した。4つの採点基準は、ある挙動が発生しなかったことをエージェントに立証させることを要求していた。関連するテストを実行した後でも、どちらの構成も正しい否定的結論を形成することはできなかった。両構成とも9つの基準のうち5つを満たした。メッセージング層は、あるエージェントが発見した洞察を配布することはできるが、どのエージェントも到達しなかった洞察を配布することはできない。

Coral is turning research into an orchestration product

AgentRadio fits Forder and Carroll's broader bet on CoralOS, which Coral describes as an orchestration and governance layer for enterprise agent systems. CoralOS is built around connecting agents from different frameworks, monitoring their behavior and allowing existing APIs or MCP servers to participate in agent workflows. Coral's team page says the research has also been commercialized through a coding product called Coral Code.

AgentRadioはForderとCarrollのCoralOSへのより広い賭けに適合するものであり、Coralはこれを企業向けエージェントシステムのオーケストレーションおよびガバナンス層として説明している。CoralOSは異なるフレームワークのエージェントを接続し、その振る舞いを監視し、既存のAPIやMCPサーバーがエージェントワークフローに参加できるようにすることを軸に構築されている。Coralのチームページによれば、この研究はCoral Codeというコーディング製品として商業化もされているという。

That strategy places Coral below the model providers and above individual agent harnesses. An enterprise can swap models as benchmark rankings change while retaining the coordination, monitoring and approval logic that governs how agents work together. AgentRadio's design reinforces that position because its message server operates outside Claude Code and communicates through shell commands instead of modifying Anthropic's harness.

その戦略は、Coralをモデルプロバイダの下、個別のエージェントハーネスの上に位置付ける。企業はベンチマークの順位が変わってもモデルを差し替えつつ、エージェントの協調、監視、承認のロジックを保持できる。AgentRadioの設計はその立場を補強する。なぜならそのメッセージサーバーはClaude Codeの外部で動作し、Anthropicのハーネスを変更する代わりにシェルコマンドを通じて通信するからだ。

The benchmark result gives Coral a technically credible demonstration of that thesis. It also defines the burden facing orchestration vendors. They must prove that communication improves completed work after accounting for token spend, duplicated effort, propagated mistakes and the arrival of stronger base models.

このベンチマーク結果は、その仮説に対してCoralに技術的に信頼できる実証を提供する。同時にそれはオーケストレーションベンダーが直面する負担を定義する。トークン消費、作業の重複、誤りの伝播、より強力な基盤モデルの登場を考慮した上で、通信が成果物の完成度を改善することを証明しなければならない。

AgentRadio cleared that bar on a deliberately difficult code-comprehension test. Its 29.8-point gain over one Opus 4.6 agent was much larger than the 5.6 points obtained by spending a similar budget on repeated independent runs. A newer single model has already caught the headline score. Coral's durable result is the controlled finding underneath it: agents working from the same model performed materially better when they could revise each other's investigations before execution ended.

AgentRadioは意図的に難易度を上げたコード理解テストでその基準をクリアした。1体のOpus 4.6エージェントに対する29.8ポイントの上積みは、同様の予算を繰り返しの独立実行に費やして得られた5.6ポイントよりもはるかに大きかった。より新しい単一モデルが既に見出しのスコアを追い抜いている。Coralの持続的な成果は、その背後にある制御された発見である：同じモデルから動作するエージェントは、実行が終了する前に互いの調査を修正できたときに、実質的により良い成果を出した。