
Gemini 4 Neon lidera el Coding Agent Index con 58,6 — la diferencia con Claude Fable 5.2 es de 0,17 puntos, y gran parte de la diferencia con GPT-6.2 Astra se explica por un solo benchmark
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 214 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 112 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
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.
Lo que el índice cuenta en realidad
El Coding Agent Index no evalúa un modelo de forma aislada. Cada fila es un par de harness y modelo, y la cifra principal es la media con igual ponderación de las puntuaciones de tres componentes: FrontierCode 2.0, 132 tareas de ingeniería de software escritas por Cognition e implementadas por Artificial Analysis; SWE-Atlas-QnA, 124 tareas técnicas de preguntas y respuestas de Scale AI con calificación ajustada por AA; y Terminal-Bench 4.1, 66 tareas de terminal agénticas del Laude Institute. Cada componente es la puntuación media de tres intentos por tarea. La página no publica ningún intervalo de confianza sobre nada de esto, que es lo primero que hay que saber antes de tratar una décima de punto como un hecho sobre la capacidad.

Esa advertencia importa más de lo habitual en este caso, porque la parte superior de la tabla está extraordinariamente ajustada. Ordenados por la puntuación compuesta, con dos decimales:
• Gemini 4 Neon (xhigh), Antigravity CLI — 58.64
• Claude Fable 5.2 (xhigh), Claude Code — 58.47
• CLI de Devin Fusion, Claude Opus 5.5 max + GPT-6 Luna high — 58,40
• Claude Fable 5.2 (alta), Claude Code — 58.24
• Claude Opus 5.5 (max), Claude Code — 58.16
Cinco configuraciones dentro de un margen de medio punto, que abarcan tres proveedores y tres agentes distintos. Lo que las separa no se ve a esta resolución, y un artículo que describe lo más alto de esta tabla como un resultado decisivo está describiendo el redondeo como señal.
La brecha de cinco puntos se debe principalmente a un solo benchmark.
La comparación con GPT-6.2 Astra es donde el titular se vuelve interesante, porque una brecha compuesta de cinco puntos suena estructural y resulta estar concentrada en un solo componente. También necesita una corrección de entrada: la cifra de «seis puntos por delante» que circula desde el lanzamiento es la que se obtiene al comparar los 58,64 de Neon con Astra en high, que puntúa 52,28, es decir, 6,36 puntos por debajo. Frente a la mejor configuración de Astra, max con 53,47, la diferencia es de 5,17. Ambas cifras están sobre la mesa; describen ajustes distintos del mismo modelo. Desglosemos la combinación con max:
• FrontierCode 2.0 — Neon (xhigh) 43,0 frente a Astra (max) 41,7, una diferencia de 1,3 puntos en 132 tareas de ingeniería de software.
• Terminal-Bench 4.1 — Neon 65,2 frente a Astra 63,6, una diferencia de 1,6 puntos en 66 tareas de terminal.
• SWE-Atlas-QnA — Neon 67,7 frente a Astra 55,1, una diferencia de 12,6 puntos en 124 tareas técnicas de preguntas y respuestas.
Aproximadamente cuatro quintas partes de la diferencia compuesta provienen del componente de preguntas y respuestas, y ese es el componente que menos se parece a lo que hace un agente cuando edita un repositorio. SWE-Atlas-QnA pide al harness que responda preguntas sobre una base de código. FrontierCode y Terminal-Bench le piden que cambie una, o que maneje una terminal hasta que se complete una tarea. En los dos conjuntos de tareas que se parecen al trabajo real de un agente, Gemini 4 Neon y GPT-6.2 Astra están a menos de dos puntos entre sí — el mismo orden de magnitud que la dispersión entre las cinco configuraciones de arriba. En el conjunto de tareas que se parece a la recuperación y el razonamiento, Neon es mejor por doce.
Ambas lecturas son ciertas, y cuál de ellas predice tu experiencia es una propiedad de tu carga de trabajo y no de la tabla de clasificación. Si tu agente se pasa el día respondiendo preguntas sobre una gran base de código privada, SWE-Atlas-QnA es el proxy más cercano en la tabla y una diferencia de doce puntos merece que se actúe en consecuencia. Si se pasa el día abriendo pull requests, FrontierCode y Terminal-Bench son los proxies más cercanos, y el compuesto exagera la diferencia en un factor de tres o cuatro.

El costo por tarea va en sentido contrario.
Artificial Analysis informa del coste junto con la puntuación, y en lo que respecta al coste el orden se invierte. Coste medio por tarea en todo el índice:
• Gemini 4 Neon (xhigh) — $6,86, 13,72 M de tokens de entrada y 125,6 k de tokens de salida, 177 pasos, 30,5 minutos de tiempo de reloj.
• Claude Fable 5.2 (xhigh) — 15,47 $, 9,55 M de tokens de entrada y 207,4 k de tokens de salida, 95 pasos, 53,3 minutos.
• Claude Fable 5.2 (alta) — $7,51, 5,02 M de tokens de entrada y 94,1 k de tokens de salida, 55 pasos, 31,3 minutos.
• GPT-6.2 Astra (max) — 5,12 $, 4,62 M de tokens de entrada y 43,0 k de tokens de salida, 51 pasos, 25,1 minutos.
• Gemini 4 Carbon (high) — $9.75, 15.31M de tokens de entrada y 120.5k de tokens de salida, 186 pasos, 33.6 minutos.
De eso se desprenden tres cosas. Primera: Neon es 2,3 veces más barato por tarea que Fable 5.2 con la configuración con la que se puntúa la fila de Fable, y termina en 30,5 minutos frente a 53,3. Segunda: Neon no es barato en términos absolutos: a 6,86 $, cuesta un 34 % más por tarea que la configuración de GPT-6.2 Astra a la que supera, y un 30 % menos que su propio hermano Gemini 4 Carbon, al que supera por 3,2 puntos compuestos; así que frente a Carbon el caso es inequívoco en ambos ejes, y frente a Astra es un intercambio directo de dólares por puntuación. Tercera: el perfil de tokens explica el precio. Neon consume 13,72 M de tokens de entrada y 177 pasos por tarea, frente a los 9,55 M y 95 de Fable 5.2: alrededor de un 44 % más de entrada y un 86 % más de llamadas a herramientas para un resultado 0,17 puntos por delante. Las tasas de acierto de caché se sitúan entre el 94 % y el 96 % en todas las filas anteriores, así que no es un artefacto de caché: es que el modelo da más pasos, más pequeños.
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.
La configuración afecta más a la puntuación que el modelo.
Lo más útil de esta tabla no es la clasificación. Es que Claude Fable 5.2 aparece cinco veces, en el mismo harness, con cinco niveles de pensamiento, y sus puntuaciones van de 47,96 en low, 53,04 en medium, 58,24 en high, 58,47 en xhigh y 55,74 en max — un rango de 10,5 puntos debido a un solo parámetro. GPT-6.2 Astra aparece cinco veces en Codex y va de 35,58 en low hasta 53,47 en max, un rango de 17,9 puntos con el mismo tipo de ajuste.
Contrasta esos rangos con las brechas de las que hablan los titulares. La diferencia entre Astra en nivel bajo y Astra en nivel máximo es 3,5 veces la brecha entre Neon y Astra en sus mejores ajustes, y 5,6 veces la brecha entre Neon y Carbon. La dispersión de 10,5 puntos dentro de Fable 5.2 por sí sola es más del doble de toda la distancia desde el primer puesto de Neon hasta el décimo de Astra. Elegir un modelo a partir de un solo número por modelo es elegir sobre la variable más pequeña de la página; el nivel de esfuerzo que pasas y el agente que envuelves a su alrededor mueven el resultado más lejos que el logotipo de la caja.
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.
¿Qué hay realmente nuevo aquí?
Gemini 4 Neon alcanzó la disponibilidad general el 18 de noviembre de 2026, un día antes de que se leyera este tablero, a 3,00 USD por millón de tokens de entrada y 15,00 USD por millón de salida para una ventana de contexto de 1 M de tokens. Es propietario y de precio fijo: sin periodo introductorio, sin nivel gratuito, a diferencia de Gemini 4 Hydrogen. La lista de precios y las puntuaciones independientes de inteligencia se han tratado en otras partes de este blog; lo nuevo es el primer resultado agéntico medido, y dice varias cosas que la publicación de lanzamiento no decía.
El post de lanzamiento sí decía que ocupó el primer puesto en el Artificial Analysis Coding Agent Index con 58.6, y esa cifra es exactamente la que publica el tablero, en la configuración descrita. Lo que el post no decía es que el margen sobre la siguiente configuración es de 0.17 puntos, que la mayor parte de la ventaja sobre GPT-6.2 Astra proviene de uno de los tres componentes, o que la ejecución consumió 13.72M de tokens de entrada por tarea. Esas son las partes que necesita un lector que está decidiendo qué desplegar, y solo existen en el tablero.
Una cifra más que conviene poner junto a la puntuación: cero rechazos. En los 966 intentos de la fila de Neon —396 de FrontierCode, 372 de SWE-Atlas-QnA, 198 de Terminal-Bench—, Artificial Analysis no registró ningún rechazo por motivos de seguridad ni ningún fallback de proveedor. Fable 5.2 en xhigh registró 1 rechazo en FrontierCode, 38 en SWE-Atlas-QnA y 16 en Terminal-Bench; GPT-6.2 Astra en max registró 8 rechazos en SWE-Atlas-QnA, todos ellos paradas en seco. Un rechazo no es un fallo de capacidad, pero es una tarea que el agente no completó y, dentro de un bucle agéntico, se presenta como un estancamiento en lugar de como una respuesta incorrecta. Para un agente orientado a repositorios de producción, un modelo que completa todos los intentos supone una diferencia operativa que ninguna otra configuración de esta tabla iguala.
Qué costos de cambio y dónde encajamos
Si las cifras de Neon justifican una prueba, la pregunta práctica es cuánto cuesta esa prueba en términos de ingeniería. Neon no está en nuestro catálogo: la lista de modelos de OrcaRouter incluye google/gemini-4-carbon y google/gemini-4-argon y ninguna entrada de Neon a fecha de 19 de noviembre, así que hoy no podemos enrutarlo por usted y no vamos a insinuar lo contrario. GPT-6.2 Astra tampoco está en el catálogo. Lo que sí ofrecemos es anthropic/claude-fable-5.2 al precio de lista de Anthropic de $8.00 de entrada y $40.00 de salida por millón, además del anterior openai/gpt-6-astra — GPT-6 Astra, un modelo de septiembre y una fila distinta en este tablero — a $10.00 y $50.00. Ambos se encuentran en la misma clave al precio de lista del proveedor con un 0% de margen, lo que significa que la aritmética anterior puede recalcularse con su propio tráfico sin necesidad de un segundo contrato.

Lo más importante en una placa tan ajustada es la rotación. Tres de las cinco configuraciones líderes usan un modelo que se lanzó en los últimos diez días, y el orden ha cambiado cada vez que uno de ellos ha llegado. Una ruta de producción soldada a la fila que sea la primera hoy se reconstruye cuando se lance el siguiente modelo, por eso la decisión de enrutamiento pertenece fuera del código. Con un único endpoint y una regla de enrutamiento, un modelo candidato es un cambio de configuración en lugar de una migración, y la conmutación por error automática permite que un modelo no probado se sitúe detrás de uno probado y absorba una parte del tráfico sin poner en riesgo la ruta principal.
Para los dos modelos que sí servimos, el traspaso es literal: cuando Anthropic o OpenAI cambian una tarifa, la cifra de nuestra factura cambia ese mismo día, sin nada añadido por encima. Esa es la base honesta para la comparación de costos anterior: vuelve a calcular el precio de ambas partes según lo que realmente se te facturaría, no según una cifra publicada en el anuncio de lanzamiento.
¿Quién debería ocuparse de esto y cómo?
El board admite tres decisiones diferentes en función de lo que ejecutes, y no son la misma decisión.
Si ejecutas un agente que responde preguntas sobre una gran base de código privada —asistentes de incorporación, herramientas del tipo «dónde está implementado esto», planificadores de migraciones—, la brecha de SWE-Atlas-QnA es el número que importa, y 67,7 frente a 55,1 es lo bastante amplia como para justificar una prueba mesurada. Reserva presupuesto para el ajuste xhigh, ya que es la única configuración evaluada, y no asumas que el valor predeterminado se comporte igual.
Si ejecutas un agente que abre pull requests y controla una terminal, el resumen honesto es que Neon, Fable 5.2, Opus 5.5 y el emparejamiento Devin Fusion se sitúan a menos de medio punto compuesto entre sí y a menos de tres puntos en Terminal-Bench, aunque sus puntuaciones de FrontierCode se distribuyen de forma más amplia, de 43.0 a 49.2. No hay aquí ningún argumento de capacidad para cambiar nada. Hay un argumento de coste —Neon a 6,86 $ frente a Fable 5.2 a 15,47 $ por la misma puntuación— y un argumento operativo en la fila de cero rechazos. Ninguno de los dos es motivo para migrar un pipeline que funciona esta semana.
Si aún estás eligiendo un arnés, ahí es donde la evidencia es más sólida y menos ambigua. La dispersión entre los niveles de pensamiento dentro de un mismo modelo empequeñece la dispersión entre los modelos líderes en sus mejores configuraciones. Dos tardes dedicadas a ejecutar tu propio agente con dos o tres niveles de esfuerzo te dirán más sobre tu factura y tu tasa de aprobación que cualquier cantidad de tiempo que pases leyendo esta tabla de clasificación, incluido este artículo.
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.
Comparados en este artículo2
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
