Artificial Analysis 發布 Coding Agent Index v2.0；Claude Code 搭配 Opus 5.5 以 61.7 領先

Artificial Analysis 推出 Coding Agent Index v2.0，這項指標會將模型與其 agent harness 一併評分，涵蓋軟體工程、終端機使用和程式碼庫問答等 290 項任務，權重均等。分數由 Artificial Analysis 自行評定，未經獨立驗證。

相較 v1.5 的變更：

• Cognition 的 FrontierCode v1.1 取代 DeepSWE v1.1。此基準包含 100 項使用真實開源程式碼庫的任務，並採用私有測試集；評分依據是維護者是否會合併該變更。若某次嘗試被標記為存取解答材料，分數即為零。
• SWE-Atlas-QnA-AA 調整了 Scale AI 的 124 項程式碼庫問答任務評分方式：1,306 項評分規準中有 127 項經過改寫，評審模型則改為 GPT-6 Luna (xhigh)，每項規準投票五次。
• Terminal-Bench 4.0 維持不變。
• 幾乎所有在兩個版本中都有評測的配置，分數都下降：平均分從 54.8 降至 47.4，主要原因是 FrontierCode（平均 45.1%，DeepSWE 則為 65.6%）。

結果：

• Index：Claude Code 搭配 Claude Opus 5.5 (max) 得分 61.7，領先 Claude Code 搭配 Claude Sonnet 5.5 (59.3)、Muse Code 搭配 Muse Wonder Full (58.9)，以及 Claude Code 搭配 Claude Fable 5.1 (57.6)。
• FrontierCode：Opus 5.5 得分 56.0%，其次是 Codex 搭配 DeepSeek V4.1 Flash (52.6%)、Codex 搭配 GPT-6.1 Sol (49.4%) 和 Codex 搭配 GPT-6 Astra (49.3%)。24 種配置中有 15 種得分介於 43% 至 49%。
• SWE-Atlas-QnA-AA：Muse Code 搭配 Muse Wonder Full 以 68.8% 領先，其次是 Claude Code 搭配 Fable 5.1 (66.4%) 和 Opus 5.5 (65.9%)。
• 每項任務成本（按 token 計費的 API 費用）：Codex 搭配 DeepSeek V4.1 Flash 得分 47.3，費用 $0.39；Codex 搭配 GPT-6.1 Sol 得分 54.1，費用 $1.50；Codex 搭配 GPT-6 Astra 得分 54.7，費用 $7.04；Claude Code 搭配 Opus 5.5 得分 61.7，費用 $11.42。