Artificial Analysis Coding Agent Index 升至 v2.0:FrontierCode 入列,Claude Code+Opus 5.5 领先
Artificial Analysis 将编程智能体指数更新为 v2.0:用 Cognition FrontierCode v1.1 替换 DeepSWE,并收紧仓库问答评分;Claude Code 搭配 Opus 5.5 以 61.7 分居首,多数配置分数因考题变难而下降。
评测机构 Artificial Analysis 将 Coding Agent Index 更新到 v2.0。核心变化是方法论:用 Cognition 的 FrontierCode v1.1(约 100 项真实开源仓库工程任务,按「维护者是否会合并」打分)替换原 DeepSWE;SWE-Atlas 仓库问答改为更严的 SWE-Atlas-QnA-AA 评分;Terminal-Bench 4.0 仍保留。三项等权平均,覆盖约 290 个任务。
公开结果中,Claude Code 搭配 Claude Opus 5.5(max)以 61.7 分领先;帖文与公告均提到,更严的题集下 21 套可比配置里约 20 套分数下降,均分大约从 54.8 落到 47.4,说明榜单分数不宜与旧版直接横比。FrontierCode 还对「轨迹中取用上游解答」等行为判零分,更贴近「能不能交出可合并改动」。
对选型团队,v2.0 更强调「模型 + 智能体壳」一起测,而不是只看裸模型。读榜时建议同时看成本与分项(实现 / 终端 / 问答),并把本团队真实仓库任务做成小样本对照,避免只追总分。若你们已在内部跟踪旧版指数,应单独建「v2.0 基线」再谈升降,而不是把跨版本分数差当成能力突变。方法页与排行榜见 artificialanalysis.ai 的 Coding Agents 专区,便于核对任务构成与评分细则。 选型时把壳与模型拆开看,往往比只盯一个总分更稳妥。
Coding Agent Index v2.0 ships with FrontierCode
Artificial Analysis shipped Coding Agent Index v2.0: Cognition's FrontierCode v1.1 replaces DeepSWE, and repo Q&A grading got stricter.
Claude Code with Opus 5.5 leads at 61.7. Tougher tests: 20 of 21 setups scored lower, mean 54.8 to 47.4.
Picking agents by harness or model?