Artificial Analysis 发布 Coding Agent Index v2.0；Claude Code 搭配 Opus 5.5 以 61.7 分领跑

Artificial Analysis 发布了 Coding Agent Index v2.0，该指数对模型及其 agent harness 进行评分，涵盖软件工程、终端使用和代码仓库问答领域的 290 项任务，权重相同。分数由 Artificial Analysis 自行评定，未经独立验证。

相较 v1.5 的变化：

• Cognition 的 FrontierCode v1.1 取代 DeepSWE v1.1。它包含 100 项基于真实开源代码仓库的任务，并使用私有测试集；评分标准是维护者是否会合并该改动。若尝试被标记为访问了解答材料，则得分为零。
• SWE-Atlas-QnA-AA 更新了对 Scale AI 的 124 项代码仓库问答任务的评分：1,306 项评分标准中有 127 项经过改写，评判模型现为 GPT-6 Luna (xhigh)，每项标准投票五次。
• Terminal-Bench 4.0 未作改动。
• 在两个版本中均有测量的几乎所有配置，分数都有所下降：平均分从 54.8 降至 47.4，主要原因是 FrontierCode（平均 45.1%，而 DeepSWE 为 65.6%）。

结果：

• 指数：Claude Code 搭配 Claude Opus 5.5 (max) 得分 61.7，领先于 Claude Code 搭配 Claude Sonnet 5.5（59.3）、Muse Code 搭配 Muse Wonder Full（58.9）和 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 种配置中有 15 种得分在 43% 至 49% 之间。
• SWE-Atlas-QnA-AA：Muse Code 搭配 Muse Wonder Full 以 68.8% 领跑，其次是 Claude Code 搭配 Fable 5.1（66.4%）和 Opus 5.5（65.9%）。
• 每项任务成本（按 token 计费的 API 成本）：Codex 搭配 DeepSeek V4.1 Flash 得分 47.3，成本为 $0.39；Codex 搭配 GPT-6.1 Sol 得分 54.1，成本为 $1.50；Codex 搭配 GPT-6 Astra 得分 54.7，成本为 $7.04；Claude Code 搭配 Opus 5.5 得分 61.7，成本为 $11.42。