61.7 分对 11.42 美元、便宜的那个 0.39：编程智能体指数 2.0 把每任务成本推成第一选型指标

发布于 2026-10-23 21:40:00 · 5 阅读

10 月 23 日，Artificial Analysis 把自家 Coding Agent Index 升到 2.0。这次换的不是模型名单，而是考卷：Cognition 的 FrontierCode v1.1 取代了此前用的 DeepSWE v1.1，100 条任务全部取自真实开源仓库，且是私有测试集。评分很硬——任何一项阻断性检查没过直接 0 分，全部通过才落在 70% 到 100% 的区间，高低取决于非阻断项。AA 还用改写过的规则扫描器复盘每条轨迹，一旦发现去翻上游 PR、合并提交或镜像，同样计 0。

标尺一换，历史分数全部作废

另两块是：Terminal-Bench 4.0 保持 66 条任务不变；SWE-Atlas-QnA 升级为 SWE-Atlas-QnA-AA，Scale AI 那 124 条仓库问答任务不动，但 1306 条评分标准里有 127 条被重新措辞，裁判模型换成 GPT-6 Luna（xhigh），每条标准投五票。三块各占三分之一权重，合计 290 条任务，每个任务跑三遍取均值。

对做 API 聚合与分发的我们，第一个信号是：标尺换了，报价话术也得跟着换。21 个同时跑过 v1.5 与 v2.0 的配置，综合均分从 54.8 掉到 47.4，降 7.4 分、约 13.5%，其中 20 个下滑。拿旧榜单的分数去谈客户预期，等于两套卷子对答案。

排名：第一名没换，账单变了

Claude Code 里跑 Claude Opus 5.5（max）以 61.7 分居首，其后是 Claude Code 配 Sonnet 5.5 的 59.3、Muse Code 配 Muse Wonder Full 的 58.9、Claude Code 配 Fable 5.1（带 fallback）的 57.6。OpenAI 阵营最好成绩是 Codex 配 GPT-6 Astra 的 54.7。Opus 5.5 的优势集中在 FrontierCode 单项 56.0%，领先 Codex 配 DeepSeek V4.1 Flash 的 52.6%、Codex 配 GPT-6.1 Sol 的 49.4%、Codex 配 GPT-6 Astra 的 49.3%。中段极其拥挤：24 个配置里 15 个挤在 43% 到 49% 之间，也就是说榜单中腰的差异，靠一次评测分不出来。

真正的信息在成本前沿上

AA 这次只给出四个落在成本前沿的点，口径是按 token 计费的 API 成本、不含订阅价：Codex 配 DeepSeek V4.1 Flash 47.3 分、每任务 0.39 美元；Codex 配 GPT-6.1 Sol 54.1 分、1.50 美元；Codex 配 GPT-6 Astra 54.7 分、7.04 美元；Claude Code 配 Opus 5.5 61.7 分、11.42 美元。榜首比最便宜的前沿点贵 29.3 倍。

把差额摊开就清醒了：从 Flash 到 Sol，多 6.8 分、钱多花 3.85 倍，这一段单位分数的性价比最陡；从 Sol 到 Astra，多 0.6 分、贵 4.69 倍，基本买不到东西；从 Sol 到 Opus，多 7.6 分、贵 7.61 倍，一分一分地等价交换。token 消耗是根因：AA 的对比页显示 Claude Code 配 Opus 5.5 每任务约 14.5M token、146.4 轮、缓存命中 95%，而 Codex 配 GPT-6 Astra 只吃 3.2M token、39.4 轮——4.53 倍 token、3.72 倍轮次，单价乘以用量才是那 11.42 美元。

还有一个容易踩的口径坑：上面全按 token 计费的 API 价折算，而 Claude Code 与 Codex 的 Pro、Max 订阅是另一套算法。自建团队如果已买包月席位，边际任务成本会被摊薄；反过来，把订阅价折算成每任务成本再去比 API 价，又会低估长任务的实际开销。两种口径混用，选型结论就会偏。

给平台侧与采购侧的三条判断

第一，按每百万 tokens 报价已经不够用。同一个模型换 harness，分数差近 7 分、每任务成本差十几倍。聚合平台的货架该把模型与 harness 成对标注，否则客户买到的只是一颗裸模型，真实每任务成本得自己试错两轮才知道。

第二，分档而不是全选贵的。按每天 500 个编码任务估：全押 Opus 5.5 约 5710 美元/天，一个月 17.1 万美元；改成 8 成走 Sol、2 成难例回落到 Opus，约 1742 美元/天、月 5.2 万美元，成本压到原来的 30.5%。前提是任务分流规则做对，分错了省下来的钱会被返工吃掉。

第三，失败率要进预算。别把 61.7 分读成 62% 的合并率：FrontierCode 上仍有整批任务 0 分收场，人工复核与回滚路径必须写进 ROI 模型，否则账面省下的成本会在返工里还回去。

来源：Artificial Analysis Coding Agent Index v2.0（2026-10-23 发布），数据经 AlphaSignal、CellCog、AICoder、30Tool 等二次报道交叉核对。