编程智能体换尺子，分差远小于价差

编程智能体公开指数换尺子后，顶尖分数挤成一团，比分意义让位给按任务计费。Artificial Analysis 当前公开的 Coding Agent Index 已标成 v2.0：三项基准等权平均，其中最难的那项从 DeepSWE 换成了 Cognition 的 FrontierCode v1.1。

先给结论：在对照页读到的数字里，Claude Code 搭配 Opus 5.5（max）指数 62，比 Muse Code 的 Muse Wonder Full（max）和 Claude Code 的 Sonnet 5.5（max）都只高 3 分；同一套任务上，按词元计费的「每题成本」从 DeepSeek Harness 约 0.30 美元排到 Claude Code Sonnet 5.5 约 13.30 美元。分析推断：3 分的领先在误差与配置噪声面前很薄，约四十倍的价差才是这份榜上更稳的信号；依据是对照页给出的整数指数与榜单「Cost per Task」栏的排序数字。

发生了什么

据 Artificial Analysis 的编程智能体方法页，Coding Agent Index v2.0 是 FrontierCode v1.1、Terminal-Bench 4.0 与 SWE-Atlas-QnA-AA 的等权平均。时间线上写明：2026 年 10 月起，用 Cognition 的 FrontierCode v1.1 替换 DeepSWE v1.1——100 道真实开源仓库上的软件工程任务，按「维护者会不会合并」这类标准打分。

据同站的 编程智能体榜单页，公开指数也标成 v2.0，并写明由上述三项组成。按任务计费一栏（pay-per-token API，含缓存写入与命中折扣，不含订阅套餐）按从低到高排列时，DeepSeek Harness（DeepSeek V4.1 Flash 1017）对应约 0.30 美元，Claude Code 的 Opus 5.5（max）约 11.42 美元，Sonnet 5.5（max）约 13.30 美元。

更细的分项来自 Claude Code 与 Muse Code 对照页：Opus 5.5（max）指数 62（FrontierCode 56%、Terminal-Bench 4.0 63%、SWE-Atlas-QnA-AA 66%，每题 11.42 美元）；Sonnet 5.5（max）指数 59（48%/66%/64%，每题 13.30 美元）；Muse Wonder Full（max）指数 59（49%/59%/69%），每题成本标成 0.00 美元并注明对照不可用——分析推断：这一格表示该组合没有可用的按词元单价，或计价不在同一口径，不能把它读成「免费」，依据是对照表对该格的说明文字。

尺子本身在量什么

据 Cognition 的 FrontierCode 1.1 说明，任务来自真实开源仓库的变更，评分看的是代码是否达到高质量生产库的标准，而不只是「测例过了没有」。Main 子集 100 题；1.1 版收紧了对「不公平上网抄上游补丁」的处理，并用规则扫描把作弊尝试判零分。Artificial Analysis 方法页写明：它采用的是 FrontierCode v1.1 的 Main 子集，题目本身不公开；Terminal-Bench 与 SWE-Atlas 按通过/失败计，FrontierCode 则在挡住硬性检查后给 70%–100% 的分段分。

把 DeepSWE 换成 FrontierCode，等于公开指数里最重的那块从「长程补丁是否提交成功」偏向「变更像不像能合并的生产代码」。旧版指数上的名次，不能直接拿来和 v2.0 比高低。

为什么重要

对选型的人，这份榜回答的问题变了。指数头名只多 3 分，说明在 v2.0 的公开集合上，好几家「智能体壳 + 旗舰模型」已经挤在同一窄带；再拿「谁多两三分」当采购理由，证据偏弱。按任务计费跨度约四十倍，说明同一套公开题上，账单结构差得更清楚——前提是你的用法接近「按词元付费、含缓存计价」，而不是月费套餐。

分析推断：若团队主要买的是 Claude、Codex 一类订阅额度，榜上的美元数字只能当相对位置参考，不能直接乘到自己的发票上；依据是榜单页写明许多用户通过订阅计划使用编程智能体，而成本图测的是 pay-per-token。

最强反方

反方会说：指数就是能力，价差只是供应商策略。Opus 5.5 在 FrontierCode 上 56%，高于 Muse Wonder Full 的 49%，说明它在「像维护者会合并」的题上确实更好；贵四五十倍如果换来更少的人工返工，总成本未必更高。而且 Artificial Analysis 自己把指数标成主指标，成本只是辅栏。

这一条我们部分接受。FrontierCode 上的 7 个百分点差距是实打实的分项领先，不是噪声故事能抹掉的。我们坚持的是另一点：合成指数上头名只多 3 分，且 Muse 在 SWE-Atlas-QnA-AA 上反而更高（69% 对 66%）；在三项等权的规则下，没有一项能单独定义「整体更强」。价差是否被工程节省抵消，这份榜没有测「人工返工」或「合并后缺陷」，所以不能从指数推出总拥有成本。

我们不知道什么

• v2.0 上线的精确日期只写在方法页的「2026 年 10 月 – 当前」区间，榜单页没有单独的发布公告日。
• DeepSeek Harness 那一档的完整指数分项，我们只在成本排序里确认了约 0.30 美元，没有在对照页读到与 Opus 并排的指数整数。
• Muse Wonder Full 的 0.00 美元格具体是「无 API 单价」还是「未测成本」，Artificial Analysis 没有在对照表外另给说明。
• 各智能体壳的默认工具、权限与重试策略是否一致，方法页只概括了尝试次数与评分规则，没有公开每家的完整配置表。
• 订阅制用户的真实每题成本，公开榜刻意不覆盖。

接下来看什么

三件事：Artificial Analysis 是否给 v2.0 补一份与 v1.x 的并列对照，好让读者量出换尺幅度；FrontierCode 公开排行榜与 AA 指数是否继续同向；以及下一次有厂商用「第一」宣传时，是否写明测的是 DeepSWE 旧尺还是 FrontierCode 新尺。