Artificial AnalysisがCoding Agent Index v2.0を公開、Claude Code with Opus 5.5が61.7で首位

Artificial AnalysisはCoding Agent Indexのv2.0を公開しました。この指数では、ソフトウェアエンジニアリング、ターミナルの使用、リポジトリに関するQ&Aの290タスクを対象に、モデルとそのエージェントハーネスを同じ比重で評価します。スコアはArtificial Analysis独自のもので、独立した検証は受けていません。

v1.5からの変更点:

• CognitionのFrontierCode v1.1がDeepSWE v1.1に置き換わりました。非公開のテストセットを用いて実際のオープンソースリポジトリ上の100タスクを評価し、メンテナーが変更をマージするかどうかを基準に採点します。解答資料へのアクセスが検出された試行は0点になります。
• SWE-Atlas-QnA-AAでは、Scale AIのリポジトリQ&A 124タスクの採点方法が改訂されました。1,306のルーブリック基準のうち127項目の表現が変更され、判定にはGPT-6 Luna (xhigh)を使用し、各基準につき5票で評価します。
• Terminal-Bench 4.0に変更はありません。
• 両バージョンで測定されたほぼすべての構成でスコアが低下しました。平均は54.8から47.4に下がっており、主な要因はFrontierCodeです（平均45.1%、DeepSWEでは65.6%）。

結果:

• Index: Claude Code with Claude Opus 5.5 (max)が61.7で首位。Claude Code with Claude Sonnet 5.5（59.3）、Muse Code with Muse Wonder Full（58.9）、Claude Code with Claude Fable 5.1（57.6）が続きます。
• FrontierCode: Opus 5.5が56.0%で首位。Codex with DeepSeek V4.1 Flash（52.6%）、Codex with GPT-6.1 Sol（49.4%）、Codex with GPT-6 Astra（49.3%）が続きます。24構成のうち15構成は43%から49%の範囲です。
• SWE-Atlas-QnA-AA: Muse Code with Muse Wonder Fullが68.8%で首位。Claude Code with Fable 5.1（66.4%）、Opus 5.5（65.9%）が続きます。
• タスクあたりのコスト（トークン従量制API料金）：Codex with DeepSeek V4.1 Flashは$0.39で47.3、Codex with GPT-6.1 Solは$1.50で54.1、Codex with GPT-6 Astraは$7.04で54.7、Claude Code with Opus 5.5は$11.42で61.7です。