
Gemini 4 Neon возглавляет индекс кодирующих агентов с показателем 58,6 — разрыв с Claude Fable 5.2 составляет 0,17 балла, а большая часть разрыва с GPT-6.2 Astra приходится на один бенчмарк
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 185 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 214 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 97 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 112 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
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.
Что на самом деле подсчитывает индекс
The Coding Agent Index не тестирует модель изолированно. Каждая строка — это пара «харнесс + модель», а главный показатель — равновзвешенное среднее трёх оценок компонентов: FrontierCode 2.0 — 132 задачи по программной инженерии, написанные Cognition и реализованные Artificial Analysis; SWE-Atlas-QnA — 124 задачи в формате технических вопросов и ответов от Scale AI с оценкой, скорректированной AA; и Terminal-Bench 4.1 — 66 агентных задач для терминала от Laude Institute. Каждый компонент — это средний балл по трём попыткам на задачу. Страница не публикует доверительных интервалов ни для одного из этих показателей, и это первое, что нужно знать, прежде чем считать десятую долю балла фактом о возможностях.

Эта оговорка здесь важна больше обычного, потому что верхняя часть таблицы чрезвычайно плотная. В порядке по композитному показателю, с точностью до двух знаков после запятой:
• 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 (высокий), Claude Code — 58.24
• Claude Opus 5.5 (max), Claude Code — 58.16
Пять конфигураций укладываются в половину балла, охватывая трёх поставщиков и трёх разных агентов. То, что их разделяет, при таком разрешении не видно, а статья, которая описывает верх этой таблицы как решающий результат, выдаёт округление за сигнал.
Разрыв в пять пунктов в основном объясняется одним бенчмарком
Сравнение с GPT-6.2 Astra — вот где заголовок становится интересным, потому что пятипунктный разрыв по композитной оценке звучит как структурный, а на деле оказывается сосредоточенным в одном компоненте. Также сразу нужна одна поправка: цифра «на шесть пунктов впереди», циркулирующая с момента запуска, получается при сравнении 58,64 у Neon с Astra в режиме high, который набирает 52,28 — отставание 6,36 пункта. В сравнении с лучшей конфигурацией Astra, max с результатом 53,47, разрыв составляет 5,17. Оба числа есть в таблице; они описывают разные настройки одной и той же модели. Разделите пару max на составляющие:
• FrontierCode 2.0 — Neon (xhigh) 43,0 против Astra (max) 41,7 — разрыв в 1,3 балла по 132 задачам в области разработки программного обеспечения.
• Terminal-Bench 4.1 — Neon 65,2 против Astra 63,6, разрыв в 1,6 балла по 66 терминальным задачам.
• SWE-Atlas-QnA — Neon 67,7 против Astra 55,1, разрыв в 12,6 балла по 124 задачам в формате технических вопросов и ответов.
Примерно четыре пятых составной разницы приходится на компонент вопросов и ответов, и это компонент, меньше всего похожий на то, что делает агент, когда редактирует репозиторий. SWE-Atlas-QnA просит харнесс отвечать на вопросы о кодовой базе. FrontierCode и Terminal-Bench просят его изменить её или управлять терминалом, пока задача не будет выполнена. На двух наборах задач, похожих на реальную работу агента, Gemini 4 Neon и GPT-6.2 Astra отстоят друг от друга менее чем на два пункта — того же порядка, что и разброс среди пяти конфигураций на вершине. На наборе задач, похожем на поиск информации и рассуждение, Neon лучше на двенадцать.
Оба прочтения верны, и то, какое из них предсказывает ваш опыт, зависит от вашей рабочей нагрузки, а не от таблицы лидеров. Если ваш агент целыми днями отвечает на вопросы по большой закрытой кодовой базе, SWE-Atlas-QnA — самый близкий прокси в таблице, и разрыв в двенадцать пунктов стоит принимать во внимание. Если же он целыми днями открывает pull-запросы, более близкими прокси будут FrontierCode и Terminal-Bench, а композитный показатель преувеличивает разницу в три-четыре раза.

Стоимость выполнения задачи меняется в обратную сторону
Artificial Analysis публикует стоимость наряду с оценкой, и по стоимости порядок становится обратным. Средняя стоимость одной задачи по всему индексу:
• Gemini 4 Neon (xhigh) — $6.86, 13,72 млн входных и 125,6 тыс. выходных токенов, 177 шагов, 30,5 минут реального времени.
• Claude Fable 5.2 (xhigh) — 15,47 $, 9,55 млн входных и 207,4 тыс. выходных токенов, 95 шагов, 53,3 минуты.
• Claude Fable 5.2 (high) — $7,51, 5,02 млн входных и 94,1 тыс. выходных токенов, 55 шагов, 31,3 минуты.
• GPT-6.2 Astra (max) — $5,12, 4,62 млн входных и 43,0 тыс. выходных токенов, 51 шаг, 25,1 минуты.
• Gemini 4 Carbon (high) — $9,75, 15,31 млн входных и 120,5 тыс. выходных токенов, 186 шагов, 33,6 минуты.
Из этого следуют три вещи. Во-первых, Neon в 2,3 раза дешевле за задачу, чем Fable 5.2, при настройке, для которой оценивается строка Fable, и завершает работу за 30,5 минуты против 53,3. Во-вторых, Neon не является дешёвым в абсолютном выражении: при $6,86 он стоит на 34% больше за задачу, чем конфигурация GPT-6.2 Astra, которую он превосходит, и на 30% меньше, чем его собственный брат Gemini 4 Carbon, который он превосходит на 3,2 составных балла — так что в сравнении с Carbon картина однозначна по обоим осям, а в сравнении с Astra это прямой обмен долларов на баллы. В-третьих, профиль токенов объясняет цену. Neon расходует 13,72 млн входных токенов и 177 шагов на задачу против 9,55 млн и 95 у Fable 5.2: примерно на 44% больше входных данных и на 86% больше вызовов инструментов ради результата на 0,17 балла выше. Частота попаданий в кэш составляет от 94% до 96% в каждой строке выше, так что это не артефакт кэширования — это модель, делающая больше, но меньших шагов.
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.
Условия влияют на оценку сильнее, чем модель.
Самое полезное в этой таблице — не рейтинг. А то, что Claude Fable 5.2 появляется пять раз, в одной и той же обвязке, на пяти уровнях рассуждений, и его баллы составляют 47,96 при низком, 53,04 при среднем, 58,24 при высоком, 58,47 при очень высоком и 55,74 при максимальном — разброс в 10,5 балла из-за одного параметра. GPT-6.2 Astra появляется пять раз в Codex и показывает от 35,58 при низком до 53,47 при максимальном, разброс в 17,9 балла при использовании аналогичного регулятора.
Сопоставьте эти диапазоны с разрывами, о которых говорят заголовки. Разброс между Astra в низком режиме и Astra в максимальном режиме в 3,5 раза больше разрыва между Neon и Astra при их лучших настройках и в 5,6 раза больше разрыва между Neon и Carbon. Один только разброс в 10,5 пункта внутри Fable 5.2 более чем вдвое превышает всё расстояние от первого места Neon до десятого места Astra. Выбирать модель по одному числу на модель — значит выбирать по наименее значимой переменной на странице; уровень усилий, который вы задаёте, и агентная обвязка, которую вы вокруг неё выстраиваете, сдвигают результат сильнее, чем логотип на коробке.
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.
Что здесь на самом деле нового?
Gemini 4 Neon вышел в общий доступ 18 ноября 2026 года — за день до того, как была прочитана эта таблица, — по цене $3,00 за миллион входных токенов и $15,00 за миллион выходных при контекстном окне в 1 млн токенов. Модель проприетарная, с единой ценой: без вводного периода и без бесплатного тарифа, в отличие от Gemini 4 Hydrogen. Тарифная сетка и независимые оценки интеллекта уже освещались в других материалах этого блога; новым является первый измеренный агентный результат, и он говорит о нескольких вещах, которых не было в посте о запуске.
В посте о запуске действительно говорилось, что он занял первое место в Artificial Analysis Coding Agent Index с результатом 58.6, и именно эту цифру публикует лидерборд при описанной конфигурации. Чего в посте не было, так это того, что отрыв от следующей конфигурации составляет 0.17 балла, что большая часть преимущества над GPT-6.2 Astra приходится на один из трёх компонентов, а также что прогон потреблял 13.72M входных токенов на задачу. Именно эти сведения нужны читателю, который решает, что развертывать, а есть они только в лидерборде.
Ещё одна цифра, которую стоит держать рядом со счётом: ноль отказов. Из всех 966 попыток в строке Neon — 396 FrontierCode, 372 SWE-Atlas-QnA, 198 Terminal-Bench — Artificial Analysis не зафиксировала ни одного отказа по соображениям безопасности и ни одного перехода на резервного провайдера. Fable 5.2 в режиме xhigh зафиксировала 1 отказ на FrontierCode, 38 на SWE-Atlas-QnA и 16 на Terminal-Bench; GPT-6.2 Astra в режиме max зафиксировала 8 отказов на SWE-Atlas-QnA, все они были жёсткими остановками. Отказ — это не провал по возможностям, но это задача, которую агент не выполнил, и внутри агентного цикла он проявляется как зависание, а не как неверный ответ. Для агента, нацеленного на продакшен-репозитории, модель, которая завершает каждую попытку, — это операционное отличие, которого не может повторить ни одна другая конфигурация в этой таблице.
Каковы издержки переключения и где мы находимся
Если показатели Neon говорят в пользу пробного запуска, практический вопрос — сколько инженерных усилий потребует этот пробный запуск. Neon отсутствует в нашем каталоге: в списке моделей OrcaRouter есть google/gemini-4-carbon и google/gemini-4-argon и по состоянию на 19 ноября записи о Neon нет, поэтому сегодня мы не можем маршрутизировать его для вас и не будем намекать на обратное. GPT-6.2 Astra тоже отсутствует в каталоге. А в каталоге у нас есть anthropic/claude-fable-5.2 по каталожной цене Anthropic: $8.00 за вход и $40.00 за выход за миллион, а также более ранняя openai/gpt-6-astra — GPT-6 Astra, сентябрьская модель и отдельная строка в этой таблице — по $10.00 и $50.00. Обе работают по одному и тому же ключу по каталожной цене провайдера с наценкой 0%, а значит, приведённые выше расчёты можно пересчитать на ваш собственный трафик без второго договора.

В такой плотной таблице лидеров важнее всего смена состава. Три из пяти ведущих конфигураций используют модель, выпущенную за последние десять дней, и порядок менялся каждый раз, когда появлялась одна из них. Продакшн-путь, жёстко привязанный к той строке, что сегодня первая, приходится перестраивать при выпуске следующей модели — поэтому решение о маршрутизации должно приниматься вне кода. С одним endpoint и правилом маршрутизации модель-кандидат становится изменением конфигурации, а не миграцией, а автоматический failover позволяет непроверенной модели находиться за проверенной и принимать часть трафика, не ставя под угрозу основной путь.
Для двух моделей, которые мы действительно обслуживаем, перенос затрат абсолютно буквален: когда Anthropic или OpenAI меняет тариф, цифра в нашем счёте меняется в тот же день, без каких-либо наценок сверху. Это честная основа для приведённого выше сравнения затрат — пересчитайте обе стороны по тому, что вам фактически выставят в счёте, а не по цифре из анонса о запуске.
Кто должен действовать по этому вопросу и как?
Совет поддерживает три разных решения в зависимости от того, что вы запускаете, и это не одно и то же решение.
Если вы запускаете агента, который отвечает на вопросы по крупной закрытой кодовой базе — ассистенты для онбординга, инструменты «где это реализовано», планировщики миграций, — то именно разрыв в SWE-Atlas-QnA является тем показателем, который имеет значение, и 67,7 против 55,1 достаточно велик, чтобы оправдать осторожный пробный запуск. Планируйте использовать xhigh в качестве настройки, поскольку оценка есть только для этой конфигурации, и не считайте, что настройка по умолчанию покажет те же результаты.
Если вы запускаете агента, который открывает пул-реквесты и управляет терминалом, честный итог таков: Neon, Fable 5.2, Opus 5.5 и пара Devin Fusion находятся в пределах половины композитного балла друг от друга и в пределах трёх баллов на Terminal-Bench, хотя их оценки FrontierCode разбросаны шире — от 43,0 до 49,2. Здесь нет никаких доводов в пользу переключения с точки зрения возможностей. Есть довод по стоимости — Neon за $6.86 против Fable 5.2 за $15.47 при том же результате — и операционный довод в строке нулевых отказов. Ни то, ни другое не является причиной мигрировать работающий пайплайн на этой неделе.
Если вы всё ещё выбираете харнесс, именно здесь доказательства наиболее убедительны и однозначны. Разброс между уровнями рассуждения внутри одной модели намного превышает разброс между ведущими моделями при их лучших настройках. Два послеобеденных часа работы с собственным агентом на двух-трёх уровнях усилий дадут вам больше информации о ваших затратах и доле успешных прохождений, чем сколько угодно времени, потраченного на чтение этого лидерборда, включая эту статью.
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.
Сравнение в этой статье2
Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно
