Artificial Analysis 发布 Coding Agent Index v2.0：用 Cognition 的 FrontierCode 替换 DeepSWE，Claude Code + Opus 5.5 以 61.7 分居首

核心背景与行业痛点

Coding Agent 的能力不只取决于模型，还取决于它跑在哪个外壳里（Claude Code、Codex、Muse Code 等）。Artificial Analysis 的 Coding Agent Index 就是按「模型 + 外壳」一行一行打分。旧版 v1.5 里的 DeepSWE v1.1 已经被头部配置刷到 65% 以上，区分度下降；v2.0 的目标是换一个更难、更贴近真实合并标准的软件工程基准。

架构亮点与底层机制

v2.0 由三项等权组成，共 290 道任务：FrontierCode v1.1（Cognition 出品，100 道任务，测试集不公开）、Terminal-Bench 4.0（66 道终端任务，不变）、SWE-Atlas-QnA-AA（Scale AI 的 124 道仓库问答）。FrontierCode 按「维护者会不会合并」打分：任一阻断项失败记 0 分，全部通过则按非阻断项得 70%–100%。Agent 可以联网，但轨迹扫描发现它去抓上游 PR、合并提交或镜像答案就直接记 0。SWE-Atlas-QnA-AA 改写了 127 条评分细则，裁判换成 GPT-6 Luna（xhigh），每条细则投 5 票。每道题跑 3 次取平均。

权威 Benchmark 与实测跑分对比

以下均为 Artificial Analysis 官方口径。总榜：Claude Code + Opus 5.5（max）61.7、Sonnet 5.5（max）59.3、Muse Wonder Full（max）58.9、Fable 5.1 57.6。FrontierCode 单项：Opus 5.5 56.0%，Codex + DeepSeek V4.1 Flash 52.6%，GPT-6.1 Sol 49.4%，GPT-6 Astra 49.3%。整体变难：21 个配置平均分从 54.8 降到 47.4，20 个下降。成本前沿上，DeepSeek V4.1 Flash 以每任务 $0.39 拿到 47.3 分，Opus 5.5 则是 $11.42 拿 61.7 分。

开发者实战落地与开箱指南

选 Agent 时别只看总分：预算紧、任务量大可以先试 Codex + DeepSeek V4.1 Flash 或 GPT-6.1 Sol；追求合并质量再上 Opus 5.5。注意 v2.0 与 v1.5 的分数不可直接比较，看历史文章里的旧分数要先确认版本。各配置的单项分、每任务成本和 token 用量可以在 Artificial Analysis 的 Coding Agents 页面查，SWE-Atlas-QnA-AA 数据集可以在 Hugging Face 下载自测。