2026 年 10 月 2 日，Artificial Analysis 更新了 Coding Agent Index（编程智能体指数）榜单：Claude Sonnet 5.5、GPT-6.1 Sol 与 Gemini 4 Argon 三款新模型集体冲上榜单前列。有意思的是，这三款模型的 API 定价都在同一档（每百万 token 输入 2 美元、输出 10 美元），但跑完一个榜单任务的实际成本能差出十几倍。
先看数字。榜单展示的结果里，Claude Code 搭配 Sonnet 5.5（max 档）以 0.684 的指数得分领跑，但单个任务成本约 14.19 美元；Codex 搭配 GPT-6.1 Sol（xhigh 档）得分为 0.629，只低了约 0.05 分，单个任务成本约 1.04 美元，不到前者的十三分之一。Gemini 4 Argon 按 introductory 价格算，单个任务约 1.99 美元，大约是 GPT-6 Astra 最高档成本的六成。Artificial Analysis 的另一组数据也值得看：GPT-6.1 Sol 在 max 努力度下比 GPT-6 Sol 高出 3 分，只比 GPT-6 Astra 低 2 分。
分数测的不是裸模型，是“组合”
理解这份榜单要先理解它的方法论。Coding Agent Index 是三个公开基准的简单平均：DeepSWE v1.1（真实代码库的软件工程任务）、Terminal-Bench 4.0（终端多步操作）、SWE-Atlas-QnA（代码库理解问答）。它测的不是某个模型本身，而是一个完整组合：agent 框架加模型加推理努力档位。比如同样是 GPT-6.1 Sol，xhigh 档和 max 档的分数、token 消耗和成本完全不同。
成本数字同样要看口径：榜单成本按当前 API 按量定价算，包含缓存读写折扣。但 Artificial Analysis 自己也在官网 FAQ 里提醒，很多人实际是通过订阅套餐用这些编程 agent，而不是按 token 付费，榜单成本不直接等于你的账单。
选型时真正要看的三件事
第一，看推理档位。Sonnet 5.5 的榜首成绩来自 max 档，也就是最高努力档，而 GPT-6.1 Sol 的 0.629 来自 xhigh 档。档位决定了 token 消耗量，也就决定了成本。同一个模型换一档，性价比可能完全反转。
第二，看框架搭配。Claude Code、Codex 这些 harness 本身的设计（工具调用策略、上下文管理）会显著影响最终成绩和耗时。榜单里同一个模型家族在不同框架下会出现多个版本，选型时要认准“框架加模型加档位”的完整组合，而不是只看模型名。
第三，看价格有效期。三款模型的 2 美元/10 美元都是“当前价”：Gemini 4 Argon 明确是 introductory 价格，之后要涨到 4 美元/20 美元；GPT-6.1 Sol 的缓存输入折扣给到了 95%。按优惠价算出来的成本优势，有效期是有限的。
对日常写代码的人来说，这份榜单的实用结论是：2 美元档已经能买到接近旗舰的编程 agent 效果，贵的不一定是智商税，但便宜的档位选对了，省下来的钱是实实在在的。下一次更新值得关注各家会不会把正式版配置推上榜，以及订阅制用户在真实工作流里的体感是否和榜单一致。
