Thẻ tiêu đề ghi Gemini 4 Neon đứng đầu Coding Agent Index, với dòng điểm tổng hợp 58.64, cao hơn Claude Fable 5.2 0.17 điểm — và 4.2 trong mức dẫn 5.17 điểm tổng hợp của nó so với GPT-6.2 Astra đến từ một thành phần duy nhất, phía trên hai thẻ ghi 58.64 trên Coding Agent Index v2.1 và +0.17 so với Claude Fable 5.2 (xhigh), kèm nhãn xhigh · Antigravity CLI, và phần chân ghi Mọi số liệu theo Artificial Analysis Coding Agent Index v2.1, đọc ngày 19 tháng 11 năm 2026.
Guides & Insights

Gemini 4 Neon đứng đầu Coding Agent Index với 58,6 điểm — khoảng cách so với Claude Fable 5.2 là 0,17 điểm, và phần lớn khoảng cách so với GPT-6.2 Astra chỉ nằm ở một benchmark duy nhất.

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

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.

Chỉ số thực sự đếm những gì

Coding Agent Index không kiểm thử một mô hình một cách tách biệt. Mỗi dòng là một cặp harness + mô hình, và con số tiêu đề là trung bình có trọng số bằng nhau của ba điểm thành phần: FrontierCode 2.0, gồm 132 tác vụ kỹ thuật phần mềm do Cognition viết và Artificial Analysis triển khai; SWE-Atlas-QnA, gồm 124 tác vụ hỏi đáp kỹ thuật từ Scale AI với cách chấm điểm được AA điều chỉnh; và Terminal-Bench 4.1, gồm 66 tác vụ terminal dạng tác tử từ Laude Institute. Mỗi thành phần là điểm trung bình qua ba lần thử cho mỗi tác vụ. Trang này không công bố khoảng tin cậy cho bất kỳ phần nào trong đó, và đây là điều đầu tiên cần biết trước khi coi một phần mười điểm là sự thật về năng lực.

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.

Lưu ý đó ở đây quan trọng hơn bình thường, vì vị trí đầu bảng cực kỳ sít sao. Xếp hạng theo điểm tổng hợp, lấy đến hai chữ số thập phân:

• 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

Năm cấu hình nằm gọn trong khoảng nửa điểm, trải trên ba nhà cung cấp và ba tác nhân khác nhau. Bất cứ điều gì phân biệt chúng đều không thể thấy ở độ phân giải này, và một bài viết mô tả đỉnh của bảng xếp hạng này như một kết quả mang tính quyết định thì đang mô tả việc làm tròn như thể đó là tín hiệu.

Khoảng cách năm điểm phần lớn chỉ đến từ một benchmark.

So sánh GPT-6.2 Astra là chỗ điểm nhấn trở nên thú vị, bởi khoảng cách tổng hợp năm điểm nghe có vẻ mang tính cấu trúc nhưng hóa ra lại tập trung vào một thành phần duy nhất. Cũng cần đính chính một điều ngay từ đầu: con số "dẫn trước sáu điểm" đang lưu truyền từ khi ra mắt là kết quả khi so sánh 58.64 của Neon với Astra ở high, vốn đạt 52.28 — kém 6.36 điểm. So với cấu hình tốt nhất của Astra, max ở 53.47, khoảng cách là 5.17. Cả hai con số đều đã có trên bảng; chúng mô tả các thiết lập khác nhau của cùng một mô hình. Tách cặp max ra:

• FrontierCode 2.0 — Neon (xhigh) 43,0 so với Astra (max) 41,7, chênh lệch 1,3 điểm trên 132 tác vụ kỹ thuật phần mềm.

• Terminal-Bench 4.1 — Neon 65.2 so với Astra 63.6, chênh lệch 1,6 điểm trên 66 tác vụ terminal.

• SWE-Atlas-QnA — Neon 67,7 so với Astra 55,1, chênh lệch 12,6 điểm trên 124 tác vụ hỏi đáp kỹ thuật.

Roughly four-fifths of the composite difference comes from the Q&A component, and that is the component least like what an agent does when it edits a repository. SWE-Atlas-QnA asks the harness to answer questions about a codebase. FrontierCode and Terminal-Bench ask it to change one, or to drive a terminal until a job completes. On the two task sets that resemble real agent work, G​emini 4 Neon and GPT-6.2 Astra sit inside two points of each other — the same order of magnitude as the spread among the five configurations at the top. On the task set that resembles retrieval-and-reasoning, Neon is better by twelve.

Cả hai cách đọc đều đúng, và việc cách đọc nào dự báo trải nghiệm của bạn là một thuộc tính của khối lượng công việc của bạn chứ không phải của bảng xếp hạng. Nếu agent của bạn dành cả ngày để trả lời các câu hỏi trên một cơ sở mã riêng tư lớn, SWE-Atlas-QnA là proxy gần nhất trên bảng và khoảng cách mười hai điểm là đáng để hành động. Nếu nó dành cả ngày để mở các pull request, FrontierCode và Terminal-Bench là những proxy gần hơn, và điểm tổng hợp phóng đại khác biệt lên gấp ba hoặc bốn lần.

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.

Chi phí cho mỗi tác vụ lại đi theo hướng ngược lại.

Artificial Analysis báo cáo chi phí song song với điểm số, và xét về chi phí thì thứ tự bị đảo ngược. Chi phí trung bình mỗi tác vụ trên toàn bộ chỉ số:

• G​emini 4 Neon (xhigh) — $6.86, 13.72M input and 125.6k output tokens, 177 steps, 30.5 minutes wall time.

• Claude Fable 5.2 (xhigh) — $15,47, 9,55M token đầu vào và 207,4k token đầu ra, 95 bước, 53,3 phút.

• Claude Fable 5.2 (high) — $7,51, 5,02M token đầu vào và 94,1k token đầu ra, 55 bước, 31,3 phút.

• GPT-6.2 Astra (max) — 5,12 USD, 4,62 triệu token đầu vào và 43,0k token đầu ra, 51 bước, 25,1 phút.

• Gemini 4 Carbon (cao) — 9,75 USD, 15,31 triệu token đầu vào và 120,5k token đầu ra, 186 bước, 33,6 phút.

Ba điều rút ra từ đó. Thứ nhất, Neon rẻ hơn 2,3 lần trên mỗi tác vụ so với Fable 5.2 ở thiết lập mà dòng Fable được chấm điểm, và hoàn thành trong 30,5 phút so với 53,3. Thứ hai, Neon không rẻ xét về mặt tuyệt đối: ở mức $6,86, nó tốn hơn 34% mỗi tác vụ so với cấu hình GPT-6.2 Astra mà nó đánh bại, và ít hơn 30% so với Gemini 4 Carbon cùng nhà, thứ mà nó đánh bại với cách biệt 3,2 điểm tổng hợp — vậy nên so với Carbon, lập luận là rõ ràng trên cả hai trục, còn so với Astra thì đó là một sự đánh đổi thẳng giữa đô la lấy điểm số. Thứ ba, hồ sơ token giải thích mức giá. Neon đốt 13,72M token đầu vào và 177 bước mỗi tác vụ, so với 9,55M và 95 của Fable 5.2: khoảng 44% đầu vào nhiều hơn và 86% lời gọi công cụ nhiều hơn để có kết quả dẫn trước 0,17 điểm. Tỷ lệ trúng bộ nhớ đệm nằm trong khoảng 94% đến 96% trên mọi dòng ở trên, nên đó không phải là hiện tượng do bộ nhớ đệm — mà là mô hình thực hiện nhiều bước hơn, nhỏ hơn.

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.

Thiết lập làm thay đổi điểm số nhiều hơn mô hình.

Điều hữu ích nhất trên bảng này không phải là thứ hạng. Mà là việc Claude Fable 5.2 xuất hiện năm lần, trong cùng một harness, ở năm mức suy nghĩ, và điểm của nó là 47.96 ở low, 53.04 ở medium, 58.24 ở high, 58.47 ở xhigh và 55.74 ở max — một khoảng chênh 10.5 điểm chỉ nhờ một tham số. GPT-6.2 Astra xuất hiện năm lần trong Codex và chạy từ 35.58 ở low lên tới 53.47 ở max, một khoảng chênh 17.9 điểm trên cùng một loại núm điều chỉnh.

Hãy đặt những khoảng đó bên cạnh những chênh lệch mà các tiêu đề đang nói tới. Khoảng cách giữa Astra ở mức thấp và Astra ở mức tối đa lớn gấp 3,5 lần khoảng cách giữa Neon và Astra ở thiết lập tốt nhất của chúng, và gấp 5,6 lần khoảng cách giữa Neon và Carbon. Riêng khoảng chênh 10,5 điểm bên trong Fable 5.2 đã lớn hơn gấp đôi toàn bộ khoảng cách từ vị trí đầu tiên của Neon đến vị trí thứ mười của Astra. Chọn một mô hình chỉ dựa trên một con số cho mỗi mô hình là đang chọn theo biến số nhỏ nhất trên trang; mức nỗ lực bạn truyền vào và tác nhân mà bạn bao quanh nó mới là thứ làm thay đổi kết quả nhiều hơn cả logo trên hộp.

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.

Điều gì thực sự mới ở đây?

G​emini 4 Neon reached general availability on 18 November 2026, a day before this board was read, at $3.00 per million input tokens and $15.00 per million output for a 1M-token context window. It is proprietary and flat-priced: no introductory window, no free tier, unlike Gemini 4 Hydrogen. The rate card and the independent intelligence scores have been covered elsewhere on this blog; what is new is the first measured agentic result, and it says several things the launch post did not.

Bài đăng ra mắt có nói rằng nó đã giành vị trí đầu tiên trên Artificial Analysis Coding Agent Index với 58,6, và con số đó chính xác là điều mà bảng công bố, ở cấu hình được mô tả. Điều mà bài đăng không nói là khoảng cách so với cấu hình tiếp theo là 0,17 điểm, rằng phần lớn lợi thế so với GPT-6.2 Astra đến từ một trong ba thành phần, hoặc rằng lần chạy đó đã tiêu thụ 13,72M token đầu vào cho mỗi tác vụ. Đó là những phần mà một người đọc đang quyết định triển khai gì cần đến, và chúng chỉ tồn tại trên bảng.

Một con số nữa đáng để đặt cạnh điểm số: không có lần từ chối nào. Trong toàn bộ 966 lần thử ở hàng Neon — 396 FrontierCode, 372 SWE-Atlas-QnA, 198 Terminal-Bench — Artificial Analysis ghi nhận không có lần từ chối vì an toàn nào và không có lần chuyển sang nhà cung cấp dự phòng nào. Fable 5.2 ở mức xhigh đã ghi nhận 1 lần từ chối trên FrontierCode, 38 lần trên SWE-Atlas-QnA và 16 lần trên Terminal-Bench; GPT-6.2 Astra ở mức max đã ghi nhận 8 lần từ chối trên SWE-Atlas-QnA, tất cả đều là dừng cứng. Một lần từ chối không phải là thất bại về năng lực, nhưng đó là một tác vụ mà agent đã không hoàn thành, và bên trong một vòng lặp agentic, nó thể hiện như một lần đình trệ chứ không phải một câu trả lời sai. Đối với một agent được hướng vào các kho lưu trữ production, một mô hình hoàn thành mọi lần thử là một khác biệt vận hành mà không cấu hình nào khác trên bảng này sánh được.

Chi phí chuyển đổi là gì và chúng ta phù hợp ở đâu

If Neon's numbers argue for a trial, the practical question is what the trial costs in engineering. Neon is not in our catalogue: the OrcaRouter model list carries google/gemini-4-carbon and google/gemini-4-argon and no Neon entry as of 19 November, so we cannot route it for you today and will not imply otherwise. GPT-6.2 Astra is not in the catalogue either. What we do carry is anthropic/claude-fable-5.2 at A​nthropic's list price of $8.00 input and $40.00 output per million, plus the earlier openai/gpt-6-astra — GPT-6 Astra, a September model and a different row on this board — at $10.00 and $50.00. Both sit on the same key at provider list price with 0% markup, which means the arithmetic above can be re-run against your own traffic without a second contract.

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.

Điều quan trọng nhất ở một bảng xếp hạng sát sao như thế này là mức độ xáo trộn. Ba trong năm cấu hình dẫn đầu sử dụng một mô hình đã ra mắt trong mười ngày qua, và thứ tự đã thay đổi mỗi khi một trong số chúng xuất hiện. Một luồng production bị gắn chặt với hàng nào đang đứng đầu hôm nay sẽ phải xây dựng lại khi mô hình tiếp theo ra mắt, đó là lý do quyết định định tuyến nên nằm ngoài mã nguồn. Với một endpoint và một quy tắc định tuyến, một mô hình ứng viên chỉ là một thay đổi cấu hình chứ không phải một cuộc migration, và cơ chế chuyển đổi dự phòng tự động cho phép một mô hình chưa được chứng minh đứng sau một mô hình đã được chứng minh và nhận một phần lưu lượng mà không đặt luồng chính vào rủi ro.

For the two models we do serve, pass-through is literal: when A​nthropic or O​penAI moves a rate, the number on our invoice moves the same day, with nothing layered on top. That is the honest basis for the cost comparison above — re-price both sides at what you would actually be billed, not at a launch-post figure.

Ai nên hành động về việc này, và bằng cách nào

Hội đồng hỗ trợ ba quyết định khác nhau tùy thuộc vào thứ bạn chạy, và chúng không phải là cùng một quyết định.

Nếu bạn chạy một agent trả lời câu hỏi trên một cơ sở mã riêng lớn — trợ lý onboarding, công cụ “điều này được triển khai ở đâu”, công cụ lập kế hoạch di chuyển — thì khoảng cách SWE-Atlas-QnA chính là con số đáng quan tâm, và 67,7 so với 55,1 đủ lớn để biện minh cho một đợt dùng thử có kiểm soát.xhigh, vì đó là cấu hình duy nhất được chấm điểm, và đừng cho rằng cấu hình mặc định sẽ hoạt động tương tự.

Nếu bạn chạy một agent mở pull request và điều khiển terminal, thì tóm tắt trung thực là Neon, Fable 5.2, Opus 5.5 và cặp Devin Fusion chỉ cách nhau chưa đến nửa điểm tổng hợp và trong vòng ba điểm trên Terminal-Bench, dù điểm FrontierCode của chúng trải rộng hơn, từ 43.0 đến 49.2. Ở đây không có lý do nào về năng lực để chuyển đổi bất cứ thứ gì. Có một lý do về chi phí — Neon ở mức $6.86 so với Fable 5.2 ở mức $15.47 cho cùng điểm số — và một lý do vận hành ở hàng có tỷ lệ từ chối bằng 0. Cả hai đều không phải lý do để chuyển đổi một pipeline đang vận hành trong tuần này.

Nếu bạn vẫn đang chọn một bộ khung (harness), thì đó chính là nơi bằng chứng mạnh nhất và ít mơ hồ nhất. Mức chênh lệch giữa các mức độ suy nghĩ trong cùng một mô hình lớn hơn hẳn mức chênh lệch giữa các mô hình hàng đầu ở cấu hình tốt nhất của chúng. Hai buổi chiều chạy agent của chính bạn ở hai hoặc ba mức nỗ lực sẽ cho bạn biết nhiều hơn về hóa đơn và tỷ lệ đạt của mình so với bất kỳ khoảng thời gian nào dành để đọc bảng xếp hạng này, kể cả bài viết này.

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.

So sánh trong bài viết này2

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày