
Gemini 4 Neon 以 58.6 分登上 Coding Agent Index 榜首——與 Claude Fable 5.2 的差距為 0.17 分,而與 GPT-6.2 Astra 的差距大多來自一項基準測試。
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 185 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 214 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 112 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
Gemini 4 Neon 目前以 58.64 位居 Artificial Analysis Coding Agent Index 榜首,Claude Fable 5.2 以 58.47 緊隨其後,而 GPT-6.2 Astra——於 11 月 17 日發布,比這次讀數早兩天——則以 53.47 位列其後。這就是流傳中的說法,而其中每個數字都與已公布的排行榜相符。不過,仔細讀來,這同樣是一場關於測試框架、而不只是關於模型的論證:Neon 的 58.64 是在 Google 自家的 Antigravity CLI 中測得,Fable 5.2 的 58.47 是在 Claude Code 中測得,Astra 的 53.47 則是在 Codex 中測得。三個實驗室、三種終端代理,每一列都是由 396 次 FrontierCode 2.0 嘗試、372 次 SWE-Atlas-QnA 嘗試與 198 次 Terminal-Bench 4.1 嘗試組成的綜合分數。這個排名是真的。但它對你的儲存庫意味著什麼,比一張排行榜截圖所暗示的更狹窄——也實用得多。
以下內容皆取自 2026 年 11 月 19 日 Artificial Analysis 公開的程式設計代理排行榜,索引版本為 v2.1。以上沒有一項是 Google 自家的基準測試表:綜合分數、三項組成部分分數、每項任務成本與 token 計數皆在實驗室中測得,且每一項都是透過供應商自家的終端代理執行。Gemini 4 Neon 的 Google 發布日數據——Chartography 73.5%、Terminal-Bench 4.1 達 65.2%、FrontierCode 2.0 達 46.2%——屬於另一組數據,由供應商自行回報,並非下方任何實測數據的來源;每當它們與上述數據並列出現時,都會標明為此類數據。
這個指數實際上計算的是什麼
Coding Agent Index 並非單獨測試模型。每一列都是 harness 加模型的配對,而標題數字是三項元件分數的等權平均:FrontierCode 2.0,由 Cognition 撰寫、由 Artificial Analysis 實作的 132 項軟體工程任務;SWE-Atlas-QnA,來自 Scale AI 的 124 項技術問答任務,評分由 AA 調整;以及 Terminal-Bench 4.1,來自 Laude Institute 的 66 項代理式終端任務。每項元件都是每項任務三次嘗試的平均分數。該頁面並未公布任何相關的信賴區間,這是在把十分之一分視為能力事實之前,首先要知道的事。

那個提醒在這裡比平時更重要,因為排行榜頂端異常緊湊。按綜合分數排名,保留兩位小數:
• 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(高),Claude Code — 58.24
• Claude Opus 5.5(max),Claude Code — 58.16
五種配置的差距都在半分以內,橫跨三家廠商與三種不同的代理。無論是什麼把它們區隔開來,在這樣的解析度下都看不出來;而一篇文章若把這份排行榜的頂端描述成決定性結果,那就是把四捨五入當成訊號。
這五個百分點的差距主要來自一項基準測試
GPT-6.2 Astra 的比較正是標題變得有趣的地方,因為五分的綜合差距聽起來像是結構性的,結果卻集中在單一元件上。這裡還需要先做一項更正:自發布以來流傳的「領先六分」數字,是把 Neon 的 58.64 與 Astra 的high 設定相比得出的——該設定得分 52.28,落後 6.36 分。若對上 Astra 的最佳配置,max(53.47 分),差距則是 5.17 分。這兩個數字都列在榜上;它們描述的是同一模型的不同設定。把 max 這組配對拆開來看:
• FrontierCode 2.0 — Neon(xhigh)43.0 對 Astra(max)41.7,在 132 項軟體工程任務中相差 1.3 分。
• Terminal-Bench 4.1 — Neon 65.2 對上 Astra 63.6,在 66 項終端機任務中相差 1.6 分。
• SWE-Atlas-QnA — Neon 67.7 對上 Astra 55.1,在 124 項技術問答任務中相差 12.6 分。
大約五分之四的綜合分數差異來自問答(Q&A)元件,而這是最不像代理程式編輯儲存庫時會做的元件。SWE-Atlas-QnA 要求測試框架回答關於程式碼庫的問題。FrontierCode 和 Terminal-Bench 則要求它變更程式碼庫,或驅動終端機直到工作完成。在兩個類似真實代理程式工作的任務集上,Gemini 4 Neon 與 GPT-6.2 Astra 彼此相差在兩分以內——與頂尖五種配置之間的差距處於同一數量級。在類似檢索與推理的任務集上,Neon 領先十二分。
兩種解讀都成立,而哪一種能預測你的實際體驗,取決於你的工作負載,而非排行榜。如果你的代理程式整天都在大型私有程式碼庫上回答問題,那麼 SWE-Atlas-QnA 就是排行榜上最接近的替代指標,十二個百分點的差距值得採取行動。如果你的代理程式整天都在開啟 pull request,那麼 FrontierCode 和 Terminal-Bench 是更接近的替代指標,而綜合分數會把這項差異誇大三到四倍。

每項任務的成本則相反
Artificial Analysis 會同時報告成本與分數,而在成本方面,排序會反轉。在完整指數中,每項任務的平均成本:
• Gemini 4 Neon (xhigh) — $6.86,13.72M 輸入與 125.6k 輸出 token,177 步,實際耗時 30.5 分鐘。
• Claude Fable 5.2(xhigh)— 15.47 美元,955 萬個輸入與 20.74 萬個輸出 token,95 個步驟,53.3 分鐘。
• Claude Fable 5.2(高)— $7.51,輸入 5.02M 與輸出 94.1k 個 token,55 個步驟,31.3 分鐘。
• GPT-6.2 Astra(max)— $5.12,4.62M 輸入與 43.0k 輸出 token,51 步,25.1 分鐘。
• Gemini 4 Carbon(高)— $9.75,15.31M 輸入與 120.5k 輸出 token,186 步,33.6 分鐘。
由此得出三點。第一,在 Fable 那一列計分所用的設定下,Neon 每項任務的成本比 Fable 5.2 低 2.3 倍,而且完成時間是 30.5 分鐘,對比 53.3 分鐘。第二,Neon 並非絕對便宜:以 $6.86 計算,它每項任務的成本比它所擊敗的 GPT-6.2 Astra 配置高 34%,但比自家同系列的 Gemini 4 Carbon 低 30%,而它在綜合分數上領先 Carbon 3.2 分——因此對比 Carbon,兩個軸向上都毫無疑問;對比 Astra,則純粹是以金錢換取分數。第三,token 組成解釋了價格。Neon 每項任務消耗 13.72M 輸入 token 和 177 步,而 Fable 5.2 為 9.55M 和 95:輸入多約 44%,工具呼叫多 86%,換來領先 0.17 分的結果。上述每一列的快取命中率都在 94% 到 96% 之間,所以這不是快取造成的假象——而是模型採取了更多、更小的步驟。
Google 的發布資料宣稱,Gemini 4 Neon 在其預設 high 設定下,每項任務的成本比 Gemini 4 Carbon 低 32%。這是廠商回報的數據,本看板並未重現。這裡唯一公布的 Neon 資料列是 xhigh,價格為 $6.86,相較於 Carbon 的 $9.75——節省 30%,接近廠商提供的數字,但這是在 Neon 四種思考設定中最深的一級測得,而非該宣稱所描述的預設設定。可將此方向視為已獲支持,而精確數字在出現 high 資料列之前仍屬未確認。
設定對分數的影響比模型更大
這個榜單上最有用的東西不是排名。而是 Claude Fable 5.2 出現了五次,在相同的測試框架中,處於五個思考等級,而它的分數在 low 時為 47.96,在 medium 時為 53.04,在 high 時為 58.24,在 xhigh 時為 58.47,在 max 時為 55.74——單一參數帶來 10.5 分的差距。GPT-6.2 Astra 在 Codex 中出現了五次,並從 low 時的 35.58 一路到 max 時的 53.47,在同樣類型的調節旋鈕上橫跨 17.9 分的範圍。
把那些範圍對照頭條所談的差距來看。Astra 在 低與 Astra 在 最高之間的差距,是 Neon 與 Astra 在各自最佳設定下差距的 3.5 倍,也是 Neon 與 Carbon 之間差距的 5.6 倍。光是 Fable 5.2 內部的 10.5 分差距,就超過從 Neon 第一名到 Astra 第十名的整段距離的兩倍。只憑每個模型的一個數字來選模型,等於在選頁面上最小的變數;你傳入的努力等級,以及你在它外面套上的代理,對結果的影響都比盒子上的標誌更大。
這也讓「超越 Fable 5.2」的說法需要加上限定條件。Neon 的 58.64 是在xhigh、於 Antigravity CLI 中測得,而且它是榜上唯一的 Neon 設定——沒有 high 那一列,因此 Google 以外的人目前都無法說明 Neon 的預設值在分數或成本上要付出多少代價。Fable 5.2 的 0.17 分落後幅度,在它自己的 xhigh 下成立,更精確地說,在 high 下也成立——此時它每項任務以 7.51 美元取得 58.24 分。這兩個數字都落在不同測試框架有可能逆轉的範圍內,這不是在批評 Neon——而是 41 列榜單頂端半點差距所代表的意義。
這裡實際上有什么新東西?
Gemini 4 Neon 於 2026 年 11 月 18 日正式全面推出,就在本看板被讀取的前一天,價格為每百萬輸入 token 3.00 美元、每百萬輸出 token 15.00 美元,提供 1M-token 上下文視窗。它是專有且採均一價格:沒有促銷導入期,也沒有免費方案,與 Gemini 4 Hydrogen 不同。費率卡和獨立智能評分已在本部落格其他地方介紹過;新的是第一個實測的代理式結果,而它揭示了幾件發布文章沒說的事。
發布貼文確實說過,它以 58.6 在 Artificial Analysis Coding Agent Index 拿下第一名,而這個數字正是排行榜在所描述配置下公布的數字。貼文沒有說的是,它與下一個配置的差距只有 0.17 分、它領先 GPT-6.2 Astra 的大部分來自三個組成部分之一,或者說該次執行每項任務消耗了 13.72M 個輸入 token。這些正是決定要部署什麼的讀者所需要的部分,而它們只存在於排行榜上。
還有一個數字值得與分數並列看待:零次拒答。在 Neon 列的全部 966 次嘗試中——396 次 FrontierCode、372 次 SWE-Atlas-QnA、198 次 Terminal-Bench——Artificial Analysis 未記錄到任何安全拒答,也沒有任何供應商回退。Fable 5.2 在 xhigh 設定下記錄到 FrontierCode 1 次拒答、SWE-Atlas-QnA 38 次、Terminal-Bench 16 次;GPT-6.2 Astra 在 max 設定下在 SWE-Atlas-QnA 記錄到 8 次拒答,全部都是硬性中止。拒答並非能力失效,但它是一個代理未完成的任務,而在代理式迴圈中,它呈現為停滯,而非錯誤答案。對於一個針對生產儲存庫的代理而言,能完成每一次嘗試的模型,是本榜單上其他配置都無法比擬的營運差異。
轉換成本是什麼,以及我們身處的位置
如果 Neon 的數據支持進行試用,實務問題就是這場試用要付出多少工程成本。Neon 不在我們的目錄中:截至 11 月 19 日,OrcaRouter 模型清單收錄了 google/gemini-4-carbon 和 google/gemini-4-argon,但沒有 Neon 條目,所以我們今天無法為你路由它,也不會暗示相反情況。GPT-6.2 Astra 同樣不在目錄中。我們確實有收錄的是 anthropic/claude-fable-5.2,價格為 Anthropic 的定價:每百萬輸入 $8.00、輸出 $40.00,以及較早的 openai/gpt-6-astra——GPT-6 Astra,一款 9 月模型,也是這張表上不同的一列——價格為 $10.00 和 $50.00。兩者都以同一把金鑰、按供應商定價、0% 加價提供,這表示上述算術可以直接套用你自己的流量重算,無需第二份合約。

在如此緊繃的排行榜上,最重要的就是更迭速度。五個領先配置中有三個採用過去十天內推出的模型,而且每當其中一個模型登場,排名就會變動。若生產路徑綁死在今天排名第一的那一列,下一個模型推出時就得重建,這就是為什麼路由決策應該放在程式碼之外。只要有一個端點和一條路由規則,候選模型就只是設定變更,而不是遷移;自動容錯移轉則能讓未經實證的模型排在已驗證模型之後,吸收一部分流量,同時不讓主要路徑承擔風險。
對我們實際提供的那兩個模型,成本直通是字面意義上的:當 Anthropic 或 OpenAI 調整費率時,我們發票上的數字當天就會跟著變動,不會再往上加任何一層費用。這正是上方成本比較的誠實基礎——請以你實際會被收取的費用重新計算雙方的價格,而不是用發布文章裡的數字。
誰應該對此採取行動,以及如何?
董事會會依據你所執行的內容,支持三種不同的決定,而它們並不是同一個決定。
如果你執行的是要在大型私有程式碼庫上回答問題的代理程式——例如入職助理、「這功能在哪裡實作」工具、遷移規劃工具——那麼 SWE-Atlas-QnA 的差距就是關鍵數字,而 67.7 對上 55.1 的差距大到足以值得進行一次審慎的試用。請為 xhigh 設定編列預算,因為這是唯一計分的組態,而且不要假設預設組態的表現會相同。
如果你執行的是會開啟拉取請求並操作終端機的代理,誠實的總結是:Neon、Fable 5.2、Opus 5.5 和 Devin Fusion 配對彼此相差不到半個綜合分數點,在 Terminal-Bench 上也相差不到三分,不過它們的 FrontierCode 分數分布較廣,從 43.0 到 49.2。這裡沒有因為能力而需要切換任何東西的理由。有一個成本上的理由——Neon 為 $6.86,而 Fable 5.2 在相同分數下為 $15.47——以及零拒絕那一列所呈現的營運理由。兩者都不是本週遷移一條運作中管線的理由。
如果你還在挑選執行框架,那正是證據最強、也最不含糊的地方。單一模型內不同思考層級之間的差距,遠大於領先模型在各自最佳設定下的差距。花兩個下午,以兩、三個投入等級運行你自己的代理,對你的帳單與通過率帶來的了解,會比花任何時間閱讀這個排行榜都來得多,本文也不例外。
觀察重點:Neon 資料列在其預設高設定下的表現。在正式公布之前,目前位居排行榜首的模型僅在單一配置下受測——而 Google 聲稱每項任務便宜 32% 的說法,指的是那個還沒有人評分過的設定。
本文中的比較2
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
