AA 今天发布了 Coding Agent Index v2.0。这次不仅更换了软件工程评测基准，还调整了评分标准，几乎所有模型的分数都下降了。

📌 1. Opus 5.5 依然第一
最新综合排名：
🔹 Claude Opus 5.5：61.7 分
🔹 Claude Sonnet 5.5：59.3 分
🔹 Muse Wonder Full：58.9 分
🔹 Claude Fable 5.1：57.6 分
🔹 GPT-6 Astra：54.7 分
🔹 GPT-6.1 Sol：54.1 分
评测对象是模型与 Agent 框架的组合，涵盖软件工程、终端操作和代码仓库问答三个方向，权重相同。

📌 2. 新增 FrontierCode，更接近真实开发
这次用 Cognition 的 FrontierCode v1.1 替换了 DeepSWE。
新基准包含 100 道真实开源项目的软件工程任务，核心标准是：Agent 写的代码，项目维护者愿不愿意合并？
最新成绩：
🔹 Claude Opus 5.5：56.0%
🔹 DeepSeek V4.1 Flash：52.6%
🔹 GPT-6.1 Sol：49.4%
🔹 GPT-6 Astra：49.3%
DeepSeek 在这个单项中排名第二，超过了 GPT-6.1 Sol 和 Astra，但综合榜只有 47.3 分。

📌 3. 几乎所有模型分数下降
同时参与新旧版本评测的 21 个配置中，20 个得分下降。
🔹 v1.5 平均分：54.8
🔹 v2.0 平均分：47.4
主要原因是新基准更难：原来 DeepSWE 的平均分是 65.6%，换成 FrontierCode 后只有 45.1%。
代码仓库问答也调整了评分标准，改用 GPT-6 Luna（xhigh）作为裁判，平均分下降 1.7 个百分点。

📌 4. DeepSeek 成本优势明显
平均单任务 API 成本：
🔹 DeepSeek V4.1 Flash：47.3 分，$0.39
🔹 GPT-6.1 Sol：54.1 分，$1.50
🔹 GPT-6 Astra：54.7 分，$7.04
🔹 Claude Opus 5.5：61.7 分，$11.42
这四个配置位于成本与性能的最优前沿。
Opus 5.5 综合能力最强，但单任务成本接近 DeepSeek 的 29 倍。

#大模型