Artificial Analysis, Coding Agent Index v2.1’i yayımladı: Claude Fable 5.2 ve Opus 5.5, 58 puanla liderliği paylaşıyor

Artificial Analysis, modelleri ajan altyapılarıyla birlikte puanlayan Coding Agent Index’in v2.1 sürümünü yayımladı. FrontierCode’u 1.1’den 2.0’a, Terminal-Bench’i ise 4.0’tan 4.1’e yükseltti. Puanlar Artificial Analysis’ın kendi değerlendirmelerine dayanıyor.

Neler değişti:

• FrontierCode-AA 2.0, FrontierCode v1.1’in yerini alıyor. Cognition’ın FrontierCode 2.0’ını temel alan Artificial Analysis uygulaması; bir depo bakım sorumlusunun ajanın değişikliğini birleştirip birleştirmeyeceğine göre değerlendirilen, gerçek dünyadan 132 kodlama görevi içeriyor.
• Terminal-Bench 4.1, 4.0’ın yerini alıyor: aynı 66 görev, ancak Artificial Analysis’ın güvenilirliği ve ödül manipülasyonuna karşı dayanıklılığı artırdığını söylediği güncellenmiş doğrulayıcılarla.
• SWE-Atlas-QnA-AA, Index’te kalmaya devam ediyor.
• FrontierCode-AA 2.0’ın etkisiyle v2.1’de puanlar ortalama yaklaşık 5 puan düştü. Önceki puanına kıyasla 1 puanlık fark içinde kalan Codex with GPT-6.1 Terra (max), puanı düşmeyen tek yapılandırma oldu.

Sonuçlar:

• Claude Fable 5.2 ve Claude Opus 5.5, 58 puanla liderliği paylaşıyor. Fable 5.2, Claude Code’da hem xhigh hem de high ayarında 58 puan alıyor; Opus 5.5 (max) ise Claude Code’da ve GPT-6 Luna High ile birlikte Cognition’ın çok modelli ajan altyapısı Devin Fusion CLI’da 58 puan alıyor.
• Fable 5.2 (max), denemelerinin daha büyük bir kısmı görev süre sınırına takıldığı için 56 puan alıyor. Onu Claude Code’da Claude Sonnet 5.5 (max, 56) ve Antigravity CLI’da Gemini 4 Carbon (high, 55) izliyor.
• 48 veya üzeri puan alan yapılandırmalarda görev başına maliyet yaklaşık 30 kat değişiyor: Codex with GPT-6.1 Sol (max, 52) için 1,51 $’dan, Fable 5.2 (max, 56) ile Claude Code için 44,22 $’a kadar.