
Gemini 4 Neon toppar Coding Agent Index på 58,6 – gapet till Claude Fable 5.2 är 0,17 poäng, och större delen av gapet till GPT-6.2 Astra är ett enda benchmark
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 185 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 213 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 125 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Gemini 4 Neon har nu förstaplatsen på Artificial Analysis Coding Agent Index med 58,64, medan Claude Fable 5.2 ligger på 58,47 och GPT-6.2 Astra – som släpptes den 17 november, två dagar före denna mätning – på 53,47. Det är påståendet som cirkulerar, och varje siffra i det stämmer med den publicerade resultattavlan. Det är också, om man läser det noggrant, ett argument om agentramverk lika mycket som om modeller: Neons 58,64 mättes i Googles egen Antigravity CLI, Fable 5.2:s 58,47 i Claude Code, Astras 53,47 i Codex. Tre labb, tre terminalagenter, ett sammansatt mått byggt av 396 försök i FrontierCode 2.0, 372 försök i SWE-Atlas-QnA och 198 försök i Terminal-Bench 4.1 per rad. Rankningen är verklig. Vad den innebär för ditt kodförråd är snävare – och betydligt mer användbart – än en skärmbild av en resultattavla antyder.
Allt nedan är hämtat från den offentliga leaderboarden för kodningsagenter hos Artificial Analysis den 19 november 2026, på indexversion v2.1. Inget av det är Googles egen benchmarktabell: kompositvärdet, de tre delpoängen, kostnaden per uppgift och tokenantalen mäts i labbet, och var och en körs genom leverantörens egen terminalagent. Googles siffror från lanseringsdagen för Gemini 4 Neon — Chartography 73,5 %, Terminal-Bench 4.1 vid 65,2 %, FrontierCode 2.0 vid 46,2 % — är en separat uppsättning, rapporterad av leverantören och inte källan till någon av de uppmätta siffrorna nedan, och de märks som sådana där de förekommer bredvid dessa.
Vad indexet faktiskt räknar
Coding Agent Index testar inte en modell isolerat. Varje rad är ett par bestående av harness och modell, och huvudnumret är det likavägda medelvärdet av tre delpoäng: FrontierCode 2.0, 132 mjukvaruutvecklingsuppgifter skrivna av Cognition och implementerade av Artificial Analysis; SWE-Atlas-QnA, 124 tekniska Q&A-uppgifter från Scale AI med bedömning justerad av AA; och Terminal-Bench 4.1, 66 agentiska terminaluppgifter från Laude Institute. Varje delpoäng är medelpoängen över tre försök per uppgift. Sidan publicerar inget konfidensintervall för något av detta, vilket är det första man bör känna till innan man behandlar en tiondels poäng som ett faktum om förmåga.

Det förbehållet är viktigare än vanligt här, eftersom toppen av listan är osedvanligt jämn. Rangordnade efter sammansatt poäng, med två decimaler:
• 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 (hög), Claude Code — 58,24
• Claude Opus 5.5 (max), Claude Code — 58.16
Fem konfigurationer inom en halv poäng, över tre leverantörer och tre olika agenter. Det som skiljer dem åt är inte synligt vid denna upplösning, och en artikel som beskriver toppen av den här tabellen som ett avgörande resultat beskriver avrundning som signal.
Gapet på fem punkter är mestadels ett enda riktmärke.
Jämförelsen med GPT-6.2 Astra är där rubriken blir intressant, eftersom ett sammansatt gap på fem punkter låter strukturellt och visar sig vara koncentrerat till en enda komponent. Den behöver också en korrigering redan från början: siffran "sex punkter före" som har cirkulerat sedan lanseringen är vad man får genom att jämföra Neons 58,64 med Astra i high, som ligger på 52,28 — 6,36 punkter efter. Mot Astras bästa konfiguration, max på 53,47 är gapet 5,17. Båda siffrorna finns med; de beskriver olika inställningar för samma modell. Bryt isär max-paret:
• FrontierCode 2.0 — Neon (xhigh) 43,0 mot Astra (max) 41,7, en skillnad på 1,3 poäng över 132 programvarutekniska uppgifter.
• Terminal-Bench 4.1 – Neon 65,2 mot Astra 63,6, en skillnad på 1,6 poäng över 66 terminaluppgifter.
• SWE-Atlas-QnA — Neon 67,7 mot Astra 55,1, en skillnad på 12,6 punkter över 124 tekniska Q&A-uppgifter.
Ungefär fyra femtedelar av den sammansatta skillnaden kommer från Q&A-komponenten, och det är den komponent som minst liknar det en agent gör när den redigerar ett kodförråd. SWE-Atlas-QnA ber testramverket att svara på frågor om en kodbas. FrontierCode och Terminal-Bench ber det att ändra en sådan, eller att styra en terminal tills ett jobb är slutfört. I de två uppgiftsseten som liknar verkligt agentarbete ligger Gemini 4 Neon och GPT-6.2 Astra inom två poäng från varandra – samma storleksordning som spridningen bland de fem konfigurationerna i toppen. På det uppgiftsset som liknar hämtning och resonemang är Neon tolv poäng bättre.
Båda tolkningarna är sanna, och vilken av dem som förutsäger din upplevelse är en egenskap hos din arbetsbelastning snarare än hos resultattavlan. Om din agent tillbringar dagarna med att svara på frågor mot en stor privat kodbas är SWE-Atlas-QnA den närmaste proxyn på tavlan och en tolvpunktskillnad är värd att agera på. Om den tillbringar dagarna med att öppna pull requests är FrontierCode och Terminal-Bench de närmare proxyna, och sammanvägningen överdriver skillnaden med en faktor tre eller fyra.

Kostnaden per uppgift går åt andra hållet
Artificial Analysis rapporterar kostnad tillsammans med poäng, och när det gäller kostnad inverteras ordningen. Genomsnittlig kostnad per uppgift över hela indexet:
• Gemini 4 Neon (xhigh) — 6,86 USD, 13,72 M indata- och 125,6k utdatatoken, 177 steg, 30,5 minuters väggtid.
• Claude Fable 5.2 (xhigh) — 15,47 $, 9,55 M indatatokens och 207,4 k utdatatokens, 95 steg, 53,3 minuter.
• Claude Fable 5.2 (high) — 7,51 USD, 5,02 M indatatoken och 94,1 k utdatatoken, 55 steg, 31,3 minuter.
• GPT-6.2 Astra (max) — 5,12 USD, 4,62 miljoner indatatokens och 43,0k utdatatokens, 51 steg, 25,1 minuter.
• Gemini 4 Carbon (high) — $9,75, 15,31 M indatatoken och 120,5k utdatatoken, 186 steg, 33,6 minuter.
Tre saker följer av det. För det första är Neon 2,3 gånger billigare per uppgift än Fable 5.2 vid den inställning som Fable-raden poängsätts vid, och blir klar på 30,5 minuter mot 53,3. För det andra är Neon inte billigt i absoluta termer: till $6,86 kostar det 34 % mer per uppgift än den GPT-6.2 Astra-konfiguration som det slår, och 30 % mindre än sitt eget syskon Gemini 4 Carbon, som det slår med 3,2 compositepoäng – så mot Carbon är saken entydig på båda axlarna, och mot Astra är det ett rakt byte av dollar mot poäng. För det tredje förklarar tokenprofilen priset. Neon förbrukar 13,72 miljoner indatatokens och 177 steg per uppgift mot Fable 5.2:s 9,55 miljoner och 95: cirka 44 % mer indata och 86 % fler verktygsanrop för ett resultat som ligger 0,17 poäng före. Cacheträfffrekvenserna ligger mellan 94 % och 96 % på varje rad ovan, så det är inte en cacheartefakt – det är modellen som tar fler, mindre steg.
Googles lanseringsmaterial hävdar att Gemini 4 Neon vid sin standardinställning high kostar 32 % mindre per uppgift än Gemini 4 Carbon. Det är leverantörsrapporterat och den här resultattavlan återger det inte. Den enda Neon-raden som publiceras här är xhigh, till $6,86 mot Carbons $9,75 — en besparing på 30 %, nära leverantörens siffra, men uppmätt vid den djupaste av Neons fyra tänkandeinställningar i stället för vid den standardinställning som påståendet beskriver. Se riktningen som understödd och den exakta siffran som obekräftad tills en high-rad finns.
Inställningen påverkar poängen mer än vad modellen gör.
Det mest användbara på den här resultattavlan är inte rankningen. Det är att Claude Fable 5.2 förekommer fem gånger, i samma testrigg, på fem tänknivåer, och att dess poäng ligger på 47,96 vid låg, 53,04 vid medel, 58,24 vid hög, 58,47 vid extra hög och 55,74 vid max — ett spann på 10,5 poäng från en parameter. GPT-6.2 Astra förekommer fem gånger i Codex och går från 35,58 vid låg upp till 53,47 vid max, ett spann på 17,9 poäng över samma sorts reglage.
Sätt dessa intervall i relation till de gap som rubrikerna handlar om. Spridningen mellan Astra vid låg och Astra vid max är 3,5 gånger gapet mellan Neon och Astra vid deras bästa inställningar, och 5,6 gånger gapet mellan Neon och Carbon. Enbart spridningen på 10,5 punkter inom Fable 5.2 är mer än dubbelt så stor som hela avståndet från Neons förstaplats till Astras tionde. Att välja en modell utifrån en enda siffra per modell är att välja utifrån den minsta variabeln på sidan; den insatsnivå du anger och agenten du omger den med flyttar resultatet längre än logotypen på förpackningen.
Det gör också att formuleringen ”överträffade Fable 5.2” behöver en kvalificering. Neons 58,64 mäts vid xhigh i Antigravity CLI, och det är den enda Neon-konfigurationen på tavlan – det finns ingen rad för high, så ingen utanför Google kan ännu säga vad Neons standardinställning kostar i poäng eller i dollar. Fable 5.2:s underskott på 0,17 poäng håller vid dess egen xhigh och, med mindre marginal, vid high där den får 58,24 för 7,51 dollar per uppgift. Båda dessa siffror ligger inom intervallet där en annan testrigg rimligen skulle kunna vända resultatet, vilket inte är kritik mot Neon – det är vad en halvpoängsspridning i toppen av en tavla med 41 rader betyder.
Vad är det egentligen som är nytt här?
Gemini 4 Neon nådde allmän tillgänglighet den 18 november 2026, en dag innan den här resultattavlan lästes, till $3.00 per miljon indatatokens och $15.00 per miljon utdatatokens för ett kontextfönster på 1 miljon tokens. Den är proprietär och har enhetligt pris: inget introduktionsfönster, ingen gratisnivå, till skillnad från Gemini 4 Hydrogen. Prislistan och de oberoende intelligenspoängen har behandlats på andra ställen i den här bloggen; det nya är det första uppmätta agentiska resultatet, och det säger flera saker som lanseringsinlägget inte gjorde.
Lanseringsinlägget sade visserligen att det tog förstaplatsen på Artificial Analysis Coding Agent Index med 58,6, och den siffran är exakt vad resultattavlan publicerar, vid den beskrivna konfigurationen. Vad inlägget inte sade var att marginalen till nästa konfiguration är 0,17 poäng, att större delen av ledningen över GPT-6.2 Astra kommer från en av de tre komponenterna, eller att körningen förbrukade 13,72 M indatatoken per uppgift. Det är de delar som en läsare som ska besluta vad som ska driftsättas behöver, och de finns bara på resultattavlan.
Ytterligare en siffra värd att hålla bredvid poängen: noll nekanden. I samtliga 966 försök i Neon-raden – 396 FrontierCode, 372 SWE-Atlas-QnA, 198 Terminal-Bench – registrerade Artificial Analysis inga säkerhetsnekanden och inga leverantörsfallbacks. Fable 5.2 med xhigh registrerade 1 nekande på FrontierCode, 38 på SWE-Atlas-QnA och 16 på Terminal-Bench; GPT-6.2 Astra med max registrerade 8 nekanden på SWE-Atlas-QnA, alla hårda stopp. Ett nekande är inte ett kapacitetsfel, men det är en uppgift som agenten inte slutförde, och i en agentisk loop framstår det som ett stopp snarare än ett felaktigt svar. För en agent som riktas mot produktionsrepositorier är en modell som slutför varje försök en operativ skillnad som ingen annan konfiguration på den här resultattavlan matchar.
Vilka växlingskostnader finns det, och var passar vi in
Om Neons siffror talar för ett prov är den praktiska frågan vad provet kostar i ingenjörsarbete. Neon finns inte i vår katalog: OrcaRouters modellista innehåller google/gemini-4-carbon och google/gemini-4-argon och ingen Neon-post per den 19 november, så vi kan inte routa det åt dig i dag och kommer inte att antyda något annat. GPT-6.2 Astra finns inte heller i katalogen. Det vi däremot har är anthropic/claude-fable-5.2 till Anthropics listpris på 8,00 USD för indata och 40,00 USD för utdata per miljon, plus den tidigare openai/gpt-6-astra — GPT-6 Astra, en septembermodell och en annan rad i den här tabellen — till 10,00 och 50,00 USD. Båda ligger på samma nyckel till leverantörens listpris med 0 % påslag, vilket innebär att beräkningen ovan kan köras om mot din egen trafik utan ett andra avtal.

Det viktigaste med en så här jämn topplista är rörligheten. Tre av de fem ledande konfigurationerna använder en modell som släppts under de senaste tio dagarna, och ordningen har ändrats varje gång en av dem har kommit in. En produktionsväg som svetsas fast vid den rad som råkar ligga först i dag byggs om när nästa modell släpps, och därför hör routningsbeslutet hemma utanför koden. Med en enda slutpunkt och en routningsregel är en kandidatmodell en konfigurationsändring i stället för en migrering, och automatisk failover låter en obeprövad modell ligga bakom en beprövad sådan och ta en del av trafiken utan att sätta huvudvägen på spel.
För de två modeller vi faktiskt tillhandahåller är vidarefaktureringen bokstavlig: när Anthropic eller OpenAI ändrar en taxa ändras siffran på vår faktura samma dag, utan något påslag. Det är den ärliga grunden för kostnadsjämförelsen ovan – prissätta båda sidor utifrån vad du faktiskt skulle faktureras, inte utifrån en siffra från ett lanseringsinlägg.
Vem bör agera på detta, och hur
Styrelsen stöder tre olika beslut beroende på vad du kör, och de är inte samma beslut.
Om du kör en agent som besvarar frågor mot en stor privat kodbas – onboardingassistenter, verktyg för ”var är detta implementerat”, migreringsplanerare – är SWE-Atlas-QnA-gapet siffran som spelar roll, och 67,7 mot 55,1 är tillräckligt stort för att motivera ett avvägt försök. Budgetera för xhigh-inställningen, eftersom det är den enda konfigurationen som poängsätts, och utgå inte ifrån att standardinställningen presterar likadant.
Om du kör en agent som öppnar pull requests och styr en terminal, är den ärliga sammanfattningen att Neon, Fable 5.2, Opus 5.5 och Devin Fusion-paret ligger inom en halv sammansatt poäng från varandra och inom tre poäng på Terminal-Bench, även om deras FrontierCode-poäng sprider sig mer, från 43.0 till 49.2. Det finns inget förmågeargument här för att byta något. Det finns ett kostnadsargument – Neon på $6.86 mot Fable 5.2 på $15.47 för samma poäng – och ett driftargument i raden för noll vägran. Inget av dem är ett skäl att migrera en fungerande pipeline den här veckan.
Om du fortfarande väljer ett ramverk är det där bevisen är starkast och minst tvetydiga. Spridningen mellan tankenivåer inom en och samma modell är enorm jämfört med spridningen mellan de ledande modellerna vid deras bästa inställningar. Två eftermiddagar med att köra din egen agent på två eller tre ansträngningsnivåer kommer att säga dig mer om din kostnad och din godkännandegrad än all tid du kan lägga på att läsa den här topplistan, den här artikeln inräknad.
Vad man bör hålla utkik efter: en Neon-rad med sin förvalda höga inställning. Tills en sådan publiceras har modellen som toppar listan uppmätts i exakt en konfiguration – och Googles påstående om 32 % lägre kostnad per uppgift gäller den inställning som ingen ännu har poängsatt.
Jämförda i den här artikeln1
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
