Cartão de título com Gemini 4 Neon liderando o Coding Agent Index, com a linha de 58,64 no composto, 0,17 à frente de Claude Fable 5.2 — e 4,2 dos seus 5,17 pontos de vantagem no composto sobre o GPT-6.2 Astra vêm de um único componente, acima de dois cartões com 58,64 no Coding Agent Index v2.1 e +0,17 sobre Claude Fable 5.2 (xhigh), acompanhados pelo rótulo xhigh · Antigravity CLI, e com o rodapé Todos os números conforme o Artificial Analysis Coding Agent Index v2.1, leitura de 19 de novembro de 2026.
Guides & Insights

Gemini 4 Neon lidera o Coding Agent Index com 58,6 — a diferença para o Claude Fable 5.2 é de 0,17 pontos, e a maior parte da diferença para o GPT-6.2 Astra se deve a um único benchmark

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

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.

O que o índice realmente conta

O Coding Agent Index não testa um modelo isoladamente. Cada linha é um par de harness e modelo, e o número principal é a média com pesos iguais de três pontuações de componentes: FrontierCode 2.0, 132 tarefas de engenharia de software escritas pela Cognition e implementadas pela Artificial Analysis; SWE-Atlas-QnA, 124 tarefas técnicas de perguntas e respostas da Scale AI com correção ajustada pela AA; e Terminal-Bench 4.1, 66 tarefas de terminal agênticas do Laude Institute. Cada componente é a pontuação média em três tentativas por tarefa. A página não publica intervalo de confiança sobre nada disso, o que é a primeira coisa a saber antes de tratar um décimo de ponto como um fato sobre capacidade.

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.

Essa ressalva importa mais do que o habitual aqui, porque o topo da tabela está extraordinariamente apertado. Classificados pelo índice composto, com duas casas decimais:

• 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 (alto), Claude Code — 58,24

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

Cinco configurações dentro de meio ponto, abrangendo três fornecedores e três agentes diferentes. O que quer que as separe não é visível nesta resolução, e um artigo que descreve o topo deste ranking como um resultado decisivo está descrevendo arredondamento como sinal.

A diferença de cinco pontos deve-se, em grande parte, a um único benchmark.

A comparação com o GPT-6.2 Astra é onde a manchete fica interessante, porque uma diferença composta de cinco pontos parece estrutural e acaba concentrada em um único componente. Também precisa de uma correção logo de início: o número "seis pontos à frente" que circula desde o lançamento é o que se obtém ao comparar 58,64 do Neon com o Astra no high, que pontua 52,28 — 6,36 pontos atrás. Contra a melhor configuração do Astra, max com 53,47, a diferença é de 5,17. Ambos os números estão no placar; eles descrevem configurações diferentes do mesmo modelo. Separe o max do pareamento:

• FrontierCode 2.0 — Neon (xhigh) 43,0 vs Astra (max) 41,7, uma diferença de 1,3 pontos em 132 tarefas de engenharia de software.

• Terminal-Bench 4.1 — Neon 65,2 vs Astra 63,6, uma diferença de 1,6 pontos em 66 tarefas de terminal.

• SWE-Atlas-QnA — Neon 67,7 vs Astra 55,1, uma diferença de 12,6 pontos em 124 tarefas técnicas de perguntas e respostas.

Aproximadamente quatro quintos da diferença composta vêm do componente de perguntas e respostas, e esse é o componente menos parecido com o que um agente faz quando edita um repositório. O SWE-Atlas-QnA pede que o harness responda a perguntas sobre uma base de código. O FrontierCode e o Terminal-Bench pedem que ele altere uma, ou que opere um terminal até que uma tarefa seja concluída. Nos dois conjuntos de tarefas que se assemelham ao trabalho real de um agente, G​emini 4 Neon e GPT-6.2 Astra ficam a menos de dois pontos um do outro — a mesma ordem de grandeza da dispersão entre as cinco configurações no topo. No conjunto de tarefas que se assemelha a recuperação e raciocínio, Neon é melhor em doze.

Ambas as leituras são verdadeiras, e qual delas prevê sua experiência é uma propriedade da sua carga de trabalho, não do leaderboard. Se seu agente passa o dia respondendo a perguntas sobre uma grande base de código privada, o SWE-Atlas-QnA é o proxy mais próximo no placar, e uma diferença de doze pontos vale a pena ser levada em conta. Se ele passa o dia abrindo pull requests, o FrontierCode e o Terminal-Bench são os proxies mais próximos, e o composto superestima a diferença por um fator de três ou quatro.

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.

O custo por tarefa funciona ao contrário.

A Artificial Analysis informa o custo junto com a pontuação e, no custo, a ordenação se inverte. Custo médio por tarefa em todo o índice:

• G​emini 4 Neon (xhigh) — $6,86, 13,72M tokens de entrada e 125,6k tokens de saída, 177 etapas, 30,5 minutos de tempo decorrido.

• Claude Fable 5.2 (xhigh) — US$ 15,47, 9,55 M de tokens de entrada e 207,4 mil tokens de saída, 95 etapas, 53,3 minutos.

• Claude Fable 5.2 (alto) — $7,51, 5,02M tokens de entrada e 94,1k tokens de saída, 55 etapas, 31,3 minutos.

• GPT-6.2 Astra (max) — US$ 5,12, 4,62M tokens de entrada e 43,0 mil tokens de saída, 51 etapas, 25,1 minutos.

• Gemini 4 Carbon (alto) — $9,75, 15,31M de tokens de entrada e 120,5k de tokens de saída, 186 etapas, 33,6 minutos.

Três coisas decorrem disso. Primeiro, o Neon é 2,3 vezes mais barato por tarefa que o Fable 5.2 na configuração em que a linha do Fable é avaliada, e conclui em 30,5 minutos, contra 53,3. Segundo, o Neon não é barato em termos absolutos: a US$ 6,86, custa 34% mais por tarefa do que a configuração GPT-6.2 Astra que supera, e 30% menos do que seu próprio irmão Gemini 4 Carbon, que supera por 3,2 pontos compostos — portanto, contra o Carbon, o caso é inequívoco nos dois eixos, e contra o Astra é uma troca direta de dólares por pontuação. Terceiro, o perfil de tokens explica o preço. O Neon consome 13,72 milhões de tokens de entrada e 177 etapas por tarefa, contra 9,55 milhões e 95 do Fable 5.2: cerca de 44% mais entrada e 86% mais chamadas de ferramentas para um resultado 0,17 ponto à frente. As taxas de acerto de cache ficam entre 94% e 96% em todas as linhas acima, então isso não é um artefato de cache — é o modelo dando mais passos menores.

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.

A configuração altera a pontuação mais do que o modelo.

A coisa mais útil neste quadro não é o ranking. É que o Claude Fable 5.2 aparece cinco vezes, no mesmo harness, em cinco níveis de pensamento, e suas pontuações são 47,96 em low, 53,04 em medium, 58,24 em high, 58,47 em xhigh e 55,74 em max — uma variação de 10,5 pontos provocada por um parâmetro. O GPT-6.2 Astra aparece cinco vezes no Codex e vai de 35,58 em low até 53,47 em max, uma variação de 17,9 pontos com o mesmo tipo de ajuste.

Compare essas faixas com as lacunas de que as manchetes falam. A diferença entre Astra no nível baixo e Astra no nível máximo é de 3,5 vezes a diferença entre Neon e Astra em suas melhores configurações, e 5,6 vezes a diferença entre Neon e Carbon. A variação de 10,5 pontos só dentro do Fable 5.2 é mais que o dobro da distância total do primeiro lugar do Neon ao décimo lugar do Astra. Escolher um modelo com base em um único número por modelo é escolher pela menor variável da página; o nível de esforço que você passa e o agente que você coloca em volta dele mudam o resultado mais do que o logotipo na caixa.

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.

O que é realmente novo aqui?

O Gemini 4 Neon alcançou disponibilidade geral em 18 de novembro de 2026, um dia antes de este painel ser lido, a US$ 3,00 por milhão de tokens de entrada e US$ 15,00 por milhão de saída para uma janela de contexto de 1 milhão de tokens. É proprietário e tem preço fixo: sem janela introdutória, sem nível gratuito, ao contrário do Gemini 4 Hydrogen. A tabela de preços e as pontuações independentes de inteligência já foram abordadas em outro lugar neste blog; o que é novo é o primeiro resultado agêntico medido, e ele diz várias coisas que o post de lançamento não disse.

O post de lançamento realmente dizia que ele conquistou o primeiro lugar no Artificial Analysis Coding Agent Index com 58,6, e esse número é exatamente o que o ranking publica, na configuração descrita. O que o post não dizia é que a margem sobre a próxima configuração é de 0,17 ponto, que a maior parte da vantagem sobre o GPT-6.2 Astra vem de um dos três componentes, ou que a execução consumiu 13,72 milhões de tokens de entrada por tarefa. Essas são as informações de que um leitor decidindo o que implantar precisa, e elas existem apenas no ranking.

Vale destacar mais um número ao lado da pontuação: zero recusas. Em todas as 966 tentativas da linha Neon — 396 FrontierCode, 372 SWE-Atlas-QnA, 198 Terminal-Bench — o Artificial Analysis não registrou nenhuma recusa de segurança nem nenhum fallback de provedor. O Fable 5.2 em xhigh registrou 1 recusa no FrontierCode, 38 no SWE-Atlas-QnA e 16 no Terminal-Bench; o GPT-6.2 Astra em max registrou 8 recusas no SWE-Atlas-QnA, todas elas interrupções definitivas. Uma recusa não é uma falha de capacidade, mas é uma tarefa que o agente não concluiu e, dentro de um loop agêntico, apresenta-se como um travamento em vez de uma resposta errada. Para um agente direcionado a repositórios de produção, um modelo que conclui todas as tentativas é uma diferença operacional que nenhuma outra configuração desta tabela iguala.

Quais são os custos de troca e onde nos encaixamos

Se os números da Neon indicam que vale a pena um teste, a questão prática é quanto o teste custa em termos de engenharia. A Neon não está no nosso catálogo: a lista de modelos do OrcaRouter traz google/gemini-4-carbon e google/gemini-4-argon e nenhuma entrada da Neon em 19 de novembro, portanto não podemos roteá-lo para você hoje e não vamos insinuar o contrário. O GPT-6.2 Astra também não está no catálogo. O que nós temos é anthropic/claude-fable-5.2 ao preço de tabela da Anthropic de $8.00 de entrada e $40.00 de saída por milhão, além do anterior openai/gpt-6-astra — GPT-6 Astra, um modelo de setembro e uma linha diferente neste quadro — a $10.00 e $50.00. Ambos ficam na mesma chave ao preço de tabela do provedor com 0% de markup, o que significa que a aritmética acima pode ser refeita com o seu próprio tráfego sem um segundo contrato.

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.

O que mais importa em um ranking tão acirrado é a rotatividade. Três das cinco principais configurações usam um modelo lançado nos últimos dez dias, e a ordem muda sempre que um deles chega. Um caminho de produção atrelado à linha que estiver em primeiro hoje é reconstruído quando o próximo modelo for lançado, e é por isso que a decisão de roteamento deve ficar fora do código. Com um único endpoint e uma regra de roteamento, um modelo candidato vira uma mudança de configuração em vez de uma migração, e o failover automático permite que um modelo não comprovado fique atrás de um comprovado e absorva uma fatia do tráfego sem colocar o caminho principal em risco.

Para os dois modelos que atendemos, o repasse é literal: quando a Anthropic ou a OpenAI altera uma tarifa, o número na nossa fatura muda no mesmo dia, sem nada acrescentado por cima. Essa é a base honesta para a comparação de custos acima — reprecifique os dois lados pelo que você realmente seria cobrado, não por um valor de anúncio de lançamento.

Quem deve agir sobre isso, e como?

A placa suporta três decisões diferentes, dependendo do que você executa, e elas não são a mesma decisão.

Se você executa um agente que responde a perguntas sobre uma grande base de código privada — assistentes de integração, ferramentas de “onde isso está implementado”, planejadores de migração — a diferença no SWE-Atlas-QnA é o número que importa, e 67,7 contra 55,1 é grande o suficiente para justificar um teste criterioso. Reserve orçamento para a configuração xhigh, já que essa é a única configuração avaliada, e não presuma que o padrão tenha o mesmo desempenho.

Se você executa um agente que abre pull requests e opera um terminal, o resumo honesto é que Neon, Fable 5.2, Opus 5.5 e o pareamento Devin Fusion ficam a menos de meio ponto composto entre si e a menos de três pontos no Terminal-Bench, embora suas pontuações no FrontierCode se espalhem mais, de 43,0 a 49,2. Não há aqui nenhum argumento de capacidade para trocar nada. Há um argumento de custo — Neon a US$ 6,86 contra Fable 5.2 a US$ 15,47 para a mesma pontuação — e um argumento operacional na linha de zero recusas. Nenhum dos dois é motivo para migrar um pipeline em funcionamento esta semana.

Se você ainda está escolhendo um harness, é aí que as evidências são mais fortes e menos ambíguas. A variação entre os níveis de raciocínio dentro de um único modelo é muito maior que a variação entre os principais modelos em suas melhores configurações. Duas tardes executando seu próprio agente em dois ou três níveis de esforço lhe dirão mais sobre sua fatura e sua taxa de aprovação do que qualquer quantidade de tempo lendo este ranking, incluindo este artigo.

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.

Comparados neste artigo2

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente