Artificial Analysis publica Coding Agent Index v2.1: Claude Fable 5.2 y Opus 5.5 comparten el primer puesto con 58

Artificial Analysis publicó la versión 2.1 de su Coding Agent Index, que evalúa los modelos junto con sus entornos de agentes. Actualiza FrontierCode de 1.1 a 2.0 y Terminal-Bench de 4.0 a 4.1. Las puntuaciones son propias de Artificial Analysis.

Qué cambió:

• FrontierCode-AA 2.0 sustituye a FrontierCode v1.1. Es la implementación de Artificial Analysis de FrontierCode 2.0 de Cognition: 132 tareas de programación del mundo real, calificadas según si el responsable del mantenimiento de un repositorio aceptaría el cambio del agente.
• Terminal-Bench 4.1 sustituye a la versión 4.0: las mismas 66 tareas, con verificadores actualizados que, según Artificial Analysis, mejoran la fiabilidad y la resistencia a la manipulación de recompensas.
• SWE-Atlas-QnA-AA se mantiene en el índice.
• Las puntuaciones son más bajas en la versión 2.1, unos 5 puntos de media, debido a FrontierCode-AA 2.0. Codex con GPT-6.1 Terra (max) es la única configuración que no bajó: se mantuvo a menos de 1 punto de su puntuación anterior.

Resultados:

• Claude Fable 5.2 y Claude Opus 5.5 comparten el primer puesto con 58. Fable 5.2 obtiene 58 tanto en xhigh como en high en Claude Code; Opus 5.5 (max) obtiene 58 en Claude Code y, junto con GPT-6 Luna High, en el entorno multimodelo de Cognition, Devin Fusion CLI.
• Fable 5.2 (max) obtiene 56, ya que más intentos alcanzan el límite de tiempo de las tareas. Le siguen Claude Sonnet 5.5 (max, 56) en Claude Code y Gemini 4 Carbon (high, 55) en Antigravity CLI.
• El coste por tarea varía unas 30 veces entre las configuraciones que obtienen 48 puntos o más: desde $1.51 para Codex con GPT-6.1 Sol (max, 52) hasta $44.22 para Claude Code con Fable 5.2 (max, 56).