
Gemini 4 Neon führt den Coding-Agent-Index mit 58,6 an — der Abstand zu Claude Fable 5.2 beträgt 0,17 Punkte, und der größte Teil des Abstands zu GPT-6.2 Astra geht auf einen einzigen Benchmark zurück
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 185 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 214 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 112 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Gemini 4 Neon now holds first place on the Artificial Analysis Coding Agent Index at 58.64, with Claude Fable 5.2 at 58.47 and GPT-6.2 Astra — released on 17 November, two days before this reading — at 53.47. That is the claim going around, and every number in it checks out against the published leaderboard. It is also, read carefully, an argument about harnesses as much as about models: Neon's 58.64 was measured inside Google's own Antigravity CLI, Fable 5.2's 58.47 inside Claude Code, Astra's 53.47 inside Codex. Three labs, three terminal agents, one composite built from 396 FrontierCode 2.0 attempts, 372 SWE-Atlas-QnA attempts and 198 Terminal-Bench 4.1 attempts per row. The ranking is real. What it means for your repository is narrower — and considerably more useful — than a leaderboard screenshot suggests.
Everything below is read off the public coding-agents leaderboard at Artificial Analysis on 19 November 2026, on index version v2.1. None of it is Google's own benchmark table: the composite, the three component scores, the cost per task and the token counts are measured in the lab, each run through the vendor's own terminal agent. Google's launch-day figures for Gemini 4 Neon — Chartography 73.5%, Terminal-Bench 4.1 at 65.2%, FrontierCode 2.0 at 46.2% — are a separate set, vendor-reported and not the source of any measured figure below, and they are labelled as such wherever they appear next to these.
Was der Index tatsächlich zählt
Der Coding Agent Index testet kein Modell isoliert. Jede Zeile ist ein Harness-plus-Modell-Paar, und die zentrale Kennzahl ist das gleichgewichtete Mittel aus drei Teilwerten: FrontierCode 2.0, 132 Software-Engineering-Aufgaben, geschrieben von Cognition und implementiert von Artificial Analysis; SWE-Atlas-QnA, 124 technische Q&A-Aufgaben von Scale AI mit von AA angepasster Bewertung; und Terminal-Bench 4.1, 66 agentische Terminal-Aufgaben vom Laude Institute. Jede Komponente ist der Mittelwert der Punktzahl über drei Versuche pro Aufgabe. Die Seite veröffentlicht für nichts davon ein Konfidenzintervall, was das Erste ist, das man wissen muss, bevor man ein Zehntelpunkt als Tatsache über die Leistungsfähigkeit behandelt.

Dieser Vorbehalt wiegt hier schwerer als sonst, denn die Spitze der Rangliste ist außergewöhnlich eng. Nach dem Gesamtwert geordnet, auf zwei Dezimalstellen:
• Gemini 4 Neon (xhigh), Antigravity CLI — 58.64
• Claude Fable 5.2 (xhigh), Claude Code — 58,47
• Devin Fusion CLI, Claude Opus 5.5 max + GPT-6 Luna high — 58,40
• Claude Fable 5.2 (hoch), Claude Code — 58.24
• Claude Opus 5.5 (max), Claude Code — 58.16
Fünf Konfigurationen innerhalb eines halben Punktes, verteilt auf drei Anbieter und drei verschiedene Agenten. Was sie trennt, ist bei dieser Auflösung nicht erkennbar, und ein Artikel, der die Spitze dieser Rangliste als eindeutiges Ergebnis beschreibt, beschreibt Rundung als Signal.
Die Fünf-Punkte-Lücke ist größtenteils ein einziger Benchmark.
Beim Vergleich mit GPT-6.2 Astra wird die Schlagzeile interessant, denn eine zusammengesetzte Lücke von fünf Punkten klingt strukturell und stellt sich doch als auf eine einzige Komponente konzentriert heraus. Außerdem ist vorab eine Korrektur nötig: Die seit dem Launch kursierende Zahl „sechs Punkte voraus“ erhält man, wenn man Neons 58,64 mit Astra bei high vergleicht, das 52,28 erreicht — 6,36 Punkte dahinter. Gegenüber Astras bester Konfiguration, max mit 53,47, beträgt die Lücke 5,17. Beide Zahlen stehen im Raum; sie beschreiben unterschiedliche Einstellungen desselben Modells. Lösen Sie die max-Paarung auf:
• FrontierCode 2.0 — Neon (xhigh) 43,0 gegenüber Astra (max) 41,7, ein Unterschied von 1,3 Punkten bei 132 Software-Engineering-Aufgaben.
• Terminal-Bench 4.1 — Neon 65,2 vs. Astra 63,6, eine Differenz von 1,6 Punkten über 66 Terminal-Aufgaben hinweg.
• SWE-Atlas-QnA — Neon 67,7 vs. Astra 55,1, eine Differenz von 12,6 Punkten bei 124 technischen Q&A-Aufgaben.
Etwa vier Fünftel der zusammengesetzten Differenz stammen aus der Q&A-Komponente, und diese Komponente ähnelt am wenigsten dem, was ein Agent tut, wenn er ein Repository bearbeitet. SWE-Atlas-QnA bittet das Harness, Fragen zu einer Codebasis zu beantworten. FrontierCode und Terminal-Bench bitten es, eine zu ändern oder ein Terminal zu steuern, bis eine Aufgabe abgeschlossen ist. In den beiden Aufgabensätzen, die echter Agentenarbeit ähneln, liegen Gemini 4 Neon und GPT-6.2 Astra innerhalb von zwei Punkten voneinander — dieselbe Größenordnung wie die Streuung unter den fünf Konfigurationen an der Spitze. In dem Aufgabensatz, der Retrieval-und-Reasoning ähnelt, ist Neon um zwölf besser.
Beide Lesarten sind zutreffend, und welche davon Ihre Erfahrung vorhersagt, hängt von Ihrer Arbeitslast ab und nicht vom Leaderboard. Wenn Ihr Agent seinen Tag damit verbringt, Fragen zu einer großen privaten Codebasis zu beantworten, ist SWE-Atlas-QnA der beste Näherungswert auf dem Board, und ein Abstand von zwölf Punkten rechtfertigt Maßnahmen. Wenn er seinen Tag damit verbringt, Pull Requests zu eröffnen, sind FrontierCode und Terminal-Bench die näheren Näherungswerte, und der zusammengesetzte Wert übertreibt den Unterschied um den Faktor drei oder vier.

Die Kosten pro Aufgabe laufen in die entgegengesetzte Richtung
Artificial Analysis gibt die Kosten zusammen mit der Punktzahl an, und bei den Kosten kehrt sich die Reihenfolge um. Durchschnittliche Kosten pro Aufgabe über den gesamten Index:
• Gemini 4 Neon (xhigh) — 6,86 $, 13,72 Mio. Eingabe- und 125,6k Ausgabe-Tokens, 177 Schritte, 30,5 Minuten reale Laufzeit.
• Claude Fable 5.2 (xhigh) — 15,47 $, 9,55 Mio. Eingabe- und 207,4 Tsd. Ausgabe-Tokens, 95 Schritte, 53,3 Minuten.
• Claude Fable 5.2 (hoch) — 7,51 $, 5,02 M Eingabe- und 94,1 k Ausgabe-Token, 55 Schritte, 31,3 Minuten.
• GPT-6.2 Astra (max) — 5,12 $, 4,62 Mio. Eingabe-Tokens und 43,0k Ausgabe-Tokens, 51 Schritte, 25,1 Minuten.
• Gemini 4 Carbon (hoch) — 9,75 $, 15,31 M Eingabe- und 120,5 k Ausgabe-Tokens, 186 Schritte, 33,6 Minuten.
Daraus ergeben sich drei Dinge. Erstens ist Neon bei der Einstellung, bei der die Fable-Zeile bewertet wird, pro Aufgabe 2,3-mal günstiger als Fable 5.2 und ist in 30,5 Minuten fertig gegenüber 53,3. Zweitens ist Neon in absoluten Zahlen nicht günstig: Mit 6,86 US-Dollar kostet es pro Aufgabe 34 % mehr als die GPT-6.2-Astra-Konfiguration, die es schlägt, und 30 % weniger als sein eigenes Schwestermodell Gemini 4 Carbon, das es um 3,2 Composite-Punkte schlägt – gegenüber Carbon ist der Fall also auf beiden Achsen eindeutig, und gegenüber Astra ist es ein direkter Tausch von Dollar gegen Punkte. Drittens erklärt das Token-Profil den Preis. Neon verbraucht 13,72 Mio. Eingabe-Tokens und 177 Schritte pro Aufgabe gegenüber 9,55 Mio. und 95 bei Fable 5.2: etwa 44 % mehr Eingabe und 86 % mehr Tool-Aufrufe für ein um 0,17 Punkte besseres Ergebnis. Die Cache-Trefferraten liegen in jeder Zeile oben zwischen 94 % und 96 %, das ist also kein Cache-Artefakt – es ist das Modell, das mehr kleinere Schritte macht.
Google's launch material claims Gemini 4 Neon at its default high setting costs 32% less per task than Gemini 4 Carbon. That is vendor-reported and this board does not reproduce it. The only Neon row published here is xhigh, at $6.86 against Carbon's $9.75 — a 30% saving, close to the vendor figure, but measured at the deepest of Neon's four thinking settings rather than at the default the claim describes. Read the direction as supported and the precise number as unconfirmed until a high row exists.
Die Einstellung beeinflusst den Score stärker als das Modell.
Das Nützlichste auf diesem Board ist nicht das Ranking. Der Punkt ist, dass Claude Fable 5.2 fünfmal im selben Harness bei fünf Denkstufen erscheint und seine Punktzahlen: 47,96 bei niedrig, 53,04 bei mittel, 58,24 bei hoch, 58,47 bei sehr hoch und 55,74 bei max — eine Spanne von 10,5 Punkten durch einen Parameter. GPT-6.2 Astra erscheint fünfmal in Codex und reicht von 35,58 bei niedrig bis 53,47 bei max, eine Spanne von 17,9 Punkten bei derselben Art von Regler.
Setzen Sie diese Bereiche in Bezug zu den Abständen, um die es in den Schlagzeilen geht. Die Spanne zwischen Astra bei niedrig und Astra bei maximal ist 3,5-mal so groß wie der Abstand zwischen Neon und Astra bei ihren besten Einstellungen und 5,6-mal so groß wie der Abstand zwischen Neon und Carbon. Allein die Spanne von 10,5 Punkten innerhalb von Fable 5.2 ist mehr als doppelt so groß wie der gesamte Abstand von Neons erstem Platz zu Astras zehntem. Ein Modell anhand einer einzigen Zahl pro Modell auszuwählen heißt, anhand der kleinsten Variable auf der Seite zu wählen; die Aufwandsstufe, die Sie übergeben, und der Agent, den Sie darum herum aufbauen, verschieben das Ergebnis stärker als das Logo auf der Verpackung.
It also makes the "surpassed Fable 5.2" framing need a qualifier. Neon's 58.64 is measured at xhigh inside Antigravity CLI, and it is the only Neon configuration on the board — there is no high row, so nobody outside Google can yet say what Neon's default costs in score or in dollars. Fable 5.2's 0.17-point deficit holds at its own xhigh and, more narrowly, at high where it scores 58.24 on $7.51 per task. Both of those numbers are inside the range a different harness could plausibly reverse, which is not a criticism of Neon — it is what a half-point spread at the top of a 41-row board means.
Was ist hier eigentlich neu?
Gemini 4 Neon erreichte am 18. November 2026 die allgemeine Verfügbarkeit – einen Tag, bevor dieses Board gelesen wurde – zu 3,00 US-Dollar pro Million Input-Tokens und 15,00 US-Dollar pro Million Output-Tokens bei einem Kontextfenster von 1 Mio. Tokens. Es ist proprietär und pauschal bepreist: kein Einführungszeitraum, keine kostenlose Stufe, anders als Gemini 4 Hydrogen. Die Preisliste und die unabhängigen Intelligenz-Scores wurden an anderer Stelle in diesem Blog behandelt; neu ist das erste gemessene agentische Ergebnis, und es sagt mehrere Dinge, die der Launch-Beitrag nicht sagte.
Im Launch-Post hieß es durchaus, dass es mit 58,6 den ersten Platz im Artificial Analysis Coding Agent Index belegt habe, und genau diese Zahl veröffentlicht das Board – in der beschriebenen Konfiguration. Was im Post nicht stand, ist, dass der Vorsprung auf die nächste Konfiguration 0,17 Punkte beträgt, dass der Großteil des Vorsprungs gegenüber GPT-6.2 Astra aus einer der drei Komponenten stammt oder dass der Lauf 13,72 Mio. Eingabe-Tokens pro Aufgabe verbraucht hat. Das sind die Angaben, die man braucht, um zu entscheiden, was eingesetzt werden soll, und sie stehen nur auf dem Board.
Eine weitere Zahl, die man neben der Punktzahl festhalten sollte: null Ablehnungen. Über alle 966 Versuche in der Neon-Zeile hinweg – 396 FrontierCode, 372 SWE-Atlas-QnA, 198 Terminal-Bench – verzeichnete Artificial Analysis keine Sicherheitsablehnungen und keine Provider-Fallbacks. Fable 5.2 bei xhigh verzeichnete 1 Ablehnung bei FrontierCode, 38 bei SWE-Atlas-QnA und 16 bei Terminal-Bench; GPT-6.2 Astra bei max verzeichnete 8 Ablehnungen bei SWE-Atlas-QnA, allesamt harte Stopps. Eine Ablehnung ist kein Fähigkeitsfehler, aber sie ist eine Aufgabe, die der Agent nicht abgeschlossen hat, und innerhalb einer agentischen Schleife zeigt sie sich als Stocken statt als falsche Antwort. Für einen Agenten, der auf Produktions-Repositories angesetzt wird, ist ein Modell, das jeden Versuch abschließt, ein operativer Unterschied, dem keine andere Konfiguration auf diesem Board gleichkommt.
Was Wechselkosten sind und wo wir hineinpassen
Wenn Neons Zahlen für einen Test sprechen, ist die praktische Frage, was der Test an Entwicklungsaufwand kostet. Neon ist nicht in unserem Katalog: Die OrcaRouter-Modellliste führt google/gemini-4-carbon und google/gemini-4-argon und mit Stand 19. November keinen Neon-Eintrag, daher können wir es heute nicht für Sie routen und werden auch nichts anderes nahelegen. GPT-6.2 Astra ist ebenfalls nicht im Katalog. Was wir aber führen, ist anthropic/claude-fable-5.2 zu Anthropics Listenpreis von 8,00 $ für Eingaben und 40,00 $ für Ausgaben pro Million, sowie das frühere openai/gpt-6-astra — GPT-6 Astra, ein September-Modell und eine andere Zeile in dieser Tabelle — zu 10,00 $ und 50,00 $. Beide laufen über denselben Schlüssel zum Listenpreis des Anbieters ohne Aufschlag (0 %), was bedeutet, dass die obige Rechnung ohne zweiten Vertrag mit Ihrem eigenen Traffic erneut durchgerechnet werden kann.

Was bei einem so dicht gedrängten Leaderboard am wichtigsten ist, ist die Fluktuation. Drei der fünf führenden Konfigurationen verwenden ein Modell, das in den letzten zehn Tagen veröffentlicht wurde, und die Reihenfolge hat sich jedes Mal verschoben, wenn eines davon erschienen ist. Ein Produktionspfad, der fest mit der Zeile verdrahtet ist, die heute an erster Stelle steht, wird neu aufgebaut, wenn das nächste Modell erscheint – deshalb gehört die Routing-Entscheidung außerhalb des Codes. Mit einem Endpunkt und einer Routing-Regel ist ein Kandidatenmodell eine Konfigurationsänderung statt einer Migration, und automatisches Failover ermöglicht es, ein unerprobtes Modell hinter einem bewährten zu platzieren und einen Teil des Traffics aufzunehmen, ohne den Hauptpfad zu gefährden.
Für die beiden Modelle, die wir tatsächlich anbieten, ist die Weitergabe wörtlich zu nehmen: Wenn Anthropic oder OpenAI einen Preis ändert, ändert sich die Zahl auf unserer Rechnung am selben Tag – ohne dass etwas obendrauf kommt. Das ist die ehrliche Grundlage für den obigen Kostenvergleich – kalkulieren Sie beide Seiten mit dem Preis neu, der Ihnen tatsächlich in Rechnung gestellt würde, nicht mit einer Zahl aus einem Launch-Post.
Wer sollte diesbezüglich handeln, und wie?
Das Board unterstützt drei verschiedene Entscheidungen, je nachdem, was du ausführst, und sie sind nicht dieselbe Entscheidung.
Wenn Sie einen Agenten betreiben, der Fragen zu einer großen privaten Codebasis beantwortet – Onboarding-Assistenten, Tools zur Frage „Wo ist das implementiert?“, Migrationsplaner –, ist die SWE-Atlas-QnA-Lücke die entscheidende Kennzahl, und 67,7 gegenüber 55,1 ist groß genug, um einen wohlüberlegten Test zu rechtfertigen. Planen Sie die xhigh-Einstellung ein, da dies die einzige bewertete Konfiguration ist, und gehen Sie nicht davon aus, dass die Standardeinstellung dieselbe Leistung erbringt.
Wenn Sie einen Agenten betreiben, der Pull Requests öffnet und ein Terminal steuert, lautet die ehrliche Zusammenfassung, dass Neon, Fable 5.2, Opus 5.5 und die Devin-Fusion-Kombination innerhalb eines halben Composite-Punkts voneinander und innerhalb von drei Punkten bei Terminal-Bench liegen, obwohl ihre FrontierCode-Werte weiter streuen, von 43,0 bis 49,2. Es gibt hier keinen Fall, der für einen Wechsel aufgrund der Fähigkeiten spricht. Es gibt einen Kostenfall — Neon bei 6,86 $ gegenüber Fable 5.2 bei 15,47 $ für dieselbe Punktzahl — und einen operativen Fall in der Zeile mit null Ablehnungen. Keines von beiden ist ein Grund, diese Woche eine funktionierende Pipeline zu migrieren.
Wenn Sie noch ein Harness auswählen, dann ist dort die Evidenz am stärksten und am wenigsten mehrdeutig. Die Streuung über die Denkstufen innerhalb eines einzelnen Modells macht die Streuung zwischen den führenden Modellen bei ihren besten Einstellungen winzig. Zwei Nachmittage, die Sie damit verbringen, Ihren eigenen Agenten mit zwei oder drei Effort-Stufen laufen zu lassen, verraten Ihnen mehr über Ihre Rechnung und Ihre Erfolgsquote als jede noch so lange Zeit, die Sie mit dem Lesen dieses Leaderboards verbringen – diesen Artikel eingeschlossen.
What to watch: a Neon row at its default high setting. Until one is published, the model that tops the board has been measured at exactly one configuration — and the 32%-cheaper-per-task claim Google makes is about the setting nobody has scored yet.
In diesem Artikel verglichen2
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
