Card del titolo che recita Gemini 4 Neon in cima al Coding Agent Index, con il valore composito di 58,64, 0,17 in vantaggio su Claude Fable 5.2 — e 4,2 dei suoi 5,17 punti di vantaggio composito su GPT-6.2 Astra provengono da un singolo componente, sopra due card che riportano 58,64 su Coding Agent Index v2.1 e +0,17 su Claude Fable 5.2 (xhigh), con l'etichetta xhigh · Antigravity CLI, e in calce Tutti i dati secondo Artificial Analysis Coding Agent Index v2.1, letti il 19 novembre 2026.
Guides & Insights

Gemini 4 Neon è in testa al Coding Agent Index con 58,6 — il divario rispetto a Claude Fable 5.2 è di 0,17 punti, e la maggior parte del divario rispetto a GPT-6.2 Astra è dovuta a un solo benchmark

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

G​emini 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 G​oogle'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 G​oogle'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. G​oogle's launch-day figures for G​emini 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.

Che cosa conta effettivamente l'indice

Il Coding Agent Index non testa un modello in isolamento. Ogni riga è una coppia harness-modello, e il numero principale è la media a pesi uguali di tre punteggi delle componenti: FrontierCode 2.0, 132 attività di ingegneria del software scritte da Cognition e implementate da Artificial Analysis; SWE-Atlas-QnA, 124 attività tecniche di domande e risposte provenienti da Scale AI con valutazione adattata da AA; e Terminal-Bench 4.1, 66 attività agentiche da terminale del Laude Institute. Ciascuna componente è il punteggio medio su tre tentativi per attività. La pagina non pubblica alcun intervallo di confidenza su nessuno di questi dati, ed è la prima cosa da sapere prima di trattare un decimo di punto come un fatto sulla capacità.

The Artificial Analysis Coding Agent Benchmarks page, headed Artificial Analysis Coding Agent Benchmarks, with a panel defining the Artificial Analysis Coding Agent Index as the composite of three benchmarks — FrontierCode-AA 2.0 with 132 software engineering tasks by Cognition, Terminal-Bench 4.1 with 66 agentic terminal tasks by the Laude Institute and SWE-Atlas-QnA with 124 technical Q&A tasks by Scale AI — above three bar charts for Coding Agent Index v2.1, Time per Task and Cost per Task, each labelled No publicly available API.

Quella precisazione conta più del solito in questo caso, perché il vertice della classifica è straordinariamente serrato. Ordinati per punteggio composito, con due decimali:

• G​emini 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 (high), Claude Code — 58.24

• Claude Opus 5.5 (max), Claude Code — 58.16

Cinque configurazioni entro mezzo punto, distribuite tra tre fornitori e tre agenti diversi. Qualunque cosa le separi non è visibile a questa risoluzione, e un articolo che descrive la vetta di questa classifica come un risultato decisivo sta descrivendo l'arrotondamento come segnale.

Il divario di cinque punti è in gran parte dovuto a un solo benchmark.

Il confronto GPT-6.2 Astra è il punto in cui il titolo diventa interessante, perché un divario composito di cinque punti sembra strutturale e invece risulta concentrato in un'unica componente. Serve anche una correzione preliminare: il dato "sei punti avanti" che circola dal lancio è quello che si ottiene confrontando il 58,64 di Neon con Astra in configurazione high, che segna 52,28 — 6,36 punti indietro. Rispetto alla migliore configurazione di Astra, max a 53,47, il divario è di 5,17. Entrambi i numeri sono sul tabellone; descrivono impostazioni diverse dello stesso modello. Separiamo l'accoppiata max:

• FrontierCode 2.0 — Neon (xhigh) 43,0 vs Astra (max) 41,7, un divario di 1,3 punti su 132 attività di ingegneria del software.

• Terminal-Bench 4.1 — Neon 65,2 contro Astra 63,6, un divario di 1,6 punti su 66 attività da terminale.

• SWE-Atlas-QnA — Neon 67,7 vs Astra 55,1, un divario di 12,6 punti su 124 attività tecniche di Q&A.

Circa quattro quinti della differenza composita provengono dalla componente Q&A, ed è la componente meno simile a ciò che fa un agente quando modifica un repository. SWE-Atlas-QnA chiede all'harness di rispondere a domande su una base di codice. FrontierCode e Terminal-Bench gli chiedono di modificarne una, oppure di pilotare un terminale finché un lavoro non è completato. Sui due set di attività che assomigliano al lavoro reale di un agente, Gemini 4 Neon e GPT-6.2 Astra distano meno di due punti l'uno dall'altro — lo stesso ordine di grandezza della dispersione tra le cinque configurazioni in cima. Sul set di attività che assomiglia al recupero e ragionamento, Neon è migliore di dodici.

Entrambe le letture sono vere, e quale delle due predice la tua esperienza è una proprietà del tuo carico di lavoro, non della classifica. Se il tuo agente passa la giornata a rispondere a domande su un ampio codebase privato, SWE-Atlas-QnA è il proxy più vicino sulla board e un divario di dodici punti vale la pena di essere affrontato. Se passa la giornata ad aprire pull request, FrontierCode e Terminal-Bench sono i proxy più vicini, e il composito sovrastima la differenza di un fattore tre o quattro.

A two-column scoreboard titled Gemini 4 Neon vs GPT-6.2 Astra — the scoreboard. Gemini 4 Neon (xhigh, Antigravity CLI) reads Coding Agent Index 58.64, FrontierCode 2.0 43.0, Terminal-Bench 4.1 65.2, SWE-Atlas-QnA 67.7, Cost per task $6.86, Refusals 0. GPT-6.2 Astra (max, Codex) reads Coding Agent Index 53.47, FrontierCode 2.0 41.7, Terminal-Bench 4.1 63.6, SWE-Atlas-QnA 55.1, Cost per task $5.12, Refusals 8 hard stops. The footer says All figures per Artificial Analysis Coding Agent Index v2.1, read 19 November 2026.

Il costo per attività va nella direzione opposta

Artificial Analysis riporta il costo insieme al punteggio, e sul costo l'ordinamento si inverte. Costo medio per compito sull'intero indice:

• Gemini 4 Neon (xhigh) — $6,86, 13,72M token di input e 125,6k token di output, 177 passaggi, 30,5 minuti di tempo reale.

• Claude Fable 5.2 (xhigh) — $15,47, 9,55M token di input e 207,4k token di output, 95 passaggi, 53,3 minuti.

• Claude Fable 5.2 (alto) — 7,51 $, 5,02 M token di input e 94,1k token di output, 55 passaggi, 31,3 minuti.

• GPT-6.2 Astra (max) — $5,12, 4,62M token di input e 43,0k token di output, 51 passaggi, 25,1 minuti.

• Gemini 4 Carbon (alto) — 9,75 $, 15,31 M token di input e 120,5 k token di output, 186 passaggi, 33,6 minuti.

Da questo derivano tre cose. Primo, Neon costa 2,3 volte meno per attività di Fable 5.2 nella configurazione in cui viene valutata la riga Fable, e termina in 30,5 minuti contro 53,3. Secondo, Neon non è economico in termini assoluti: a 6,86 $ costa il 34% in più per attività della configurazione GPT-6.2 Astra che batte, e il 30% in meno del proprio sibling Gemini 4 Carbon, che batte di 3,2 punti compositi — quindi contro Carbon il caso è inequivocabile su entrambi gli assi, mentre contro Astra è un semplice scambio di dollari in cambio di punteggio. Terzo, il profilo dei token spiega il prezzo. Neon consuma 13,72 M di token di input e 177 passaggi per attività contro i 9,55 M e 95 di Fable 5.2: circa il 44% in più di input e l'86% in più di chiamate agli strumenti per un risultato superiore di 0,17 punti. I tassi di successo della cache si collocano tra il 94% e il 96% su ogni riga sopra, quindi non è un artefatto della cache — è il modello che compie più passaggi, più piccoli.

G​oogle's launch material claims G​emini 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.

L'impostazione influenza il punteggio più di quanto faccia il modello

La cosa più utile in questa tabella non è la classifica. È che Claude Fable 5.2 compare cinque volte, nello stesso harness, a cinque livelli di ragionamento, e i suoi punteggi vanno da 47.96 a low, 53.04 a medium, 58.24 a high, 58.47 a xhigh e 55.74 a max — un intervallo di 10,5 punti dovuto a un parametro. GPT-6.2 Astra compare cinque volte in Codex e va da 35.58 a low fino a 53.47 a max, un intervallo di 17,9 punti con lo stesso tipo di impostazione.

Confrontate questi intervalli con i divari di cui parlano i titoli. Lo scarto tra Astra con impostazione bassa e Astra con impostazione massima è 3,5 volte il divario tra Neon e Astra alle loro impostazioni migliori, e 5,6 volte il divario tra Neon e Carbon. Il divario di 10,5 punti all'interno del solo Fable 5.2 è più del doppio dell'intera distanza dal primo posto di Neon al decimo di Astra. Scegliere un modello in base a un solo numero per modello significa scegliere sulla variabile più piccola della pagina; il livello di effort che passi e l'agente che ci avvolgi attorno spostano il risultato più del logo sulla confezione.

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 G​oogle 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.

Che cosa c’è davvero di nuovo qui

Gemini 4 Neon ha raggiunto la disponibilità generale il 18 novembre 2026, un giorno prima che questa board venisse letta, a 3,00 $ per milione di token di input e 15,00 $ per milione di token di output per una finestra di contesto da 1M token. È un modello proprietario e a prezzo fisso: nessuna finestra introduttiva, nessun piano gratuito, a differenza di Gemini 4 Hydrogen. Il tariffario e i punteggi di intelligenza indipendenti sono stati trattati altrove su questo blog; la novità è il primo risultato agentico misurato, e dice diverse cose che il post di lancio non diceva.

Il post di lancio diceva effettivamente che ha conquistato il primo posto sull'Artificial Analysis Coding Agent Index con 58.6, e quella cifra è esattamente quella pubblicata dalla board, nella configurazione descritta. Ciò che il post non diceva è che il margine sulla configurazione successiva è di 0.17 punti, che gran parte del vantaggio su GPT-6.2 Astra deriva da una delle tre componenti, o che l'esecuzione ha consumato 13.72M token di input per attività. Sono proprio le informazioni che servono a un lettore che deve decidere cosa distribuire, ed esistono solo sulla board.

Un altro dato che vale la pena tenere accanto al punteggio: zero rifiuti. Su tutti i 966 tentativi nella riga Neon — 396 FrontierCode, 372 SWE-Atlas-QnA, 198 Terminal-Bench — Artificial Analysis non ha registrato alcun rifiuto per motivi di sicurezza né alcun fallback del provider. Fable 5.2 con xhigh ha registrato 1 rifiuto su FrontierCode, 38 su SWE-Atlas-QnA e 16 su Terminal-Bench; GPT-6.2 Astra con max ha registrato 8 rifiuti su SWE-Atlas-QnA, tutti interruzioni nette. Un rifiuto non è un fallimento di capacità, ma è un'attività che l'agente non ha completato e, all'interno di un ciclo agentico, si presenta come uno stallo anziché come una risposta errata. Per un agente puntato su repository di produzione, un modello che completa ogni tentativo è una differenza operativa che nessun'altra configurazione su questa scheda eguaglia.

Quali costi di switching, e dove ci collochiamo

Se i numeri di Neon suggeriscono una prova, la domanda pratica è quanto costa la prova in termini di ingegneria. Neon non è nel nostro catalogo: l'elenco dei modelli di OrcaRouter include google/gemini-4-carbon e google/gemini-4-argon e nessuna voce Neon al 19 novembre, quindi oggi non possiamo instradarlo per te e non lasceremo intendere il contrario. Neanche GPT-6.2 Astra è nel catalogo. Quello che offriamo è anthropic/claude-fable-5.2 al prezzo di listino di A​nthropic di $8,00 in input e $40,00 in output per milione, più il precedente openai/gpt-6-astra — GPT-6 Astra, un modello di settembre e una riga diversa su questa tabella — a $10,00 e $50,00. Entrambi si trovano sulla stessa chiave al prezzo di listino del provider con 0% di ricarico, il che significa che l'aritmetica sopra può essere rieseguita sul tuo traffico senza un secondo contratto.

The OrcaRouter model page for Claude Fable 5.2, showing the model identifier anthropic/claude-fable-5.2, a 1M-token context window, a maximum output of 128K tokens, multimodal input across text, image and file, capability chips for vision, tools, JSON and reasoning, the line by Anthropic · 2026-11-09, a p50 time to first token of 5.52 seconds, and a price row reading $8.00 input and $40.00 output per million tokens with 33.5M tokens of traffic over seven days.

Ciò che conta di più in una classifica così serrata è il ricambio. Tre delle cinque configurazioni di testa usano un modello rilasciato negli ultimi dieci giorni, e l’ordine è cambiato ogni volta che uno di essi è arrivato. Un percorso di produzione saldato alla riga che oggi è prima viene ricostruito quando arriva il modello successivo, ed è per questo che la decisione di instradamento deve stare fuori dal codice. Con un unico endpoint e una regola di instradamento, un modello candidato è una modifica di configurazione anziché una migrazione, e il failover automatico consente a un modello non ancora collaudato di stare dietro a uno collaudato e assorbire una quota di traffico senza mettere a rischio il percorso principale.

Per i due modelli che serviamo, il pass-through è letterale: quando Anthropic o OpenAI modificano una tariffa, il numero sulla nostra fattura cambia lo stesso giorno, senza nulla aggiunto sopra. Questa è la base onesta per il confronto dei costi sopra — ricalcola il prezzo di entrambe le parti su ciò che ti verrebbe effettivamente fatturato, non su una cifra da post di lancio.

Chi dovrebbe agire su questo, e come

La scheda supporta tre decisioni diverse a seconda di ciò che esegui, e non sono la stessa decisione.

Se gestisci un agente che risponde a domande su un'ampia base di codice privata — assistenti per l'onboarding, strumenti "dove è implementato questo", pianificatori di migrazioni — il divario SWE-Atlas-QnA è il numero che conta, e 67,7 contro 55,1 è abbastanza ampio da giustificare una prova misurata. Prevedi nel budget l'impostazione xhigh, poiché è l'unica configurazione valutata, e non dare per scontato che quella predefinita si comporti allo stesso modo.

Se esegui un agente che apre pull request e controlla un terminale, il riepilogo onesto è che Neon, Fable 5.2, Opus 5.5 e l'accoppiata Devin Fusion si collocano entro mezzo punto composito l'uno dall'altro ed entro tre punti su Terminal-Bench, anche se i loro punteggi FrontierCode si distribuiscono in un intervallo più ampio, da 43,0 a 49,2. Non c'è alcun argomento di capacità, qui, per cambiare qualcosa. C'è un argomento di costo — Neon a $6,86 contro Fable 5.2 a $15,47 per lo stesso punteggio — e un argomento operativo nella riga dei rifiuti zero. Nessuno dei due è un motivo per migrare una pipeline funzionante questa settimana.

Se stai ancora scegliendo un harness, è lì che le prove sono più solide e meno ambigue. La differenza tra i livelli di ragionamento all'interno di un singolo modello è molto maggiore di quella tra i modelli principali alle loro impostazioni migliori. Due pomeriggi passati a eseguire il tuo agente a due o tre livelli di impegno ti diranno di più sulla tua bolletta e sul tuo tasso di superamento di quanto possa fare qualsiasi quantità di tempo passata a leggere questa classifica, incluso questo articolo.

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 G​oogle makes is about the setting nobody has scored yet.

Confrontati in questo articolo2

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno