Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarX: @ArtificialAnlys→ original

Dos Claude encabezan el ranking de agentes de programación con 58 puntos, y una tarea cuesta entre $1,51 y $44,22

Artificial Analysis actualizó su ranking de agentes de programación, que evalúa no el modelo por separado, sino la combinación del modelo con su entorno, como Claude Code. Claude Fable 5.2 y Claude Opus 5.5 comparten el primer puesto con 58 puntos en la escala del índice. El coste por tarea de las configuraciones con 48 puntos o más varía 30 veces: $1,51 con Codex y GPT-6.1 Sol frente a $44,22 con Claude Code y Fable 5.2 (max). Conviene elegir el agente según la pareja de puntuación y coste por tarea.

Procesado por IA desde X: @ArtificialAnlys; editado por Hamidun News
Dos Claude encabezan el ranking de agentes de programación con 58 puntos, y una tarea cuesta entre $1,51 y $44,22
Fuente: X: @ArtificialAnlys. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalX: @ArtificialAnlys ↗
Editor jefe
Dato clave #1Por el nuevo FrontierCode 2.0, las puntuaciones bajaron de media 5 puntos
FrontierCode 2.0132 tareas, evaluación: ¿aceptaría el mantenedor el cambio?
Solo Codex con GPT-6.1 Terra no bajóse mantuvo dentro de 1 punto

Cuando un equipo elige un asistente de IA para programar, el nombre del modelo dice poco. Un mismo modelo rinde de forma distinta según el entorno, el programa que le da acceso al repositorio y a la terminal: Claude Code, Codex, Antigravity CLI o Devin Fusion CLI. Son precisamente estas combinaciones las que mide el laboratorio independiente Artificial Analysis en su Coding Agent Index. Ha salido la versión 2.1: Claude Fable 5.2 y Claude Opus 5.5 comparten el primer puesto con 58 puntos en la escala del índice, y el coste por tarea de las combinaciones más sólidas varía unas 30 veces, de $1,51 a $44,22.

Qué cambió en el índice

En la versión 2.1 se actualizaron dos de las tres pruebas. La primera es FrontierCode: en lugar de la versión 1.1 ahora se usa FrontierCode-AA 2.0, una implementación propia del conjunto FrontierCode 2.0 de Cognition. Contiene 132 tareas reales, y no comprueba solo si se superan los tests, sino un criterio que cualquier desarrollador entiende: ¿aceptaría el mantenedor del repositorio el cambio que propone el agente? Se parece a una revisión de código en un proyecto real.

La segunda es Terminal-Bench: la versión 4.0 se sustituyó por la 4.1. Siguen siendo 66 tareas, pero los scripts de verificación son más fiables y están mejor protegidos frente al reward hacking. Así se llama la situación en la que el agente encuentra una laguna y obtiene el aprobado sin resolver la tarea. La tercera prueba, SWE-Atlas-QnA-AA, no se eliminó del índice.

Por el carácter más exigente de FrontierCode-AA 2.0, las puntuaciones de la v2.1 son más bajas: los modelos perdieron de media 5 puntos. La única configuración que apenas bajó fue Codex con GPT-6.1 Terra (max), cuyo resultado se mantuvo dentro de 1 punto del anterior. Por eso las cifras de la v2.1 no pueden compararse directamente con las de versiones anteriores, porque ha cambiado el propio conjunto de tareas.

Quién va en cabeza

El primer puesto, con 58 puntos, lo comparten dos combinaciones con modelos de Anthropic. Claude Fable 5.2 obtiene 58 tanto en modo xhigh como en modo high dentro de Claude Code. Claude Opus 5.5 (max) también logra 58 en Claude Code, y además en pareja con GPT-6 Luna High en el entorno multimodelo de Cognition, Devin Fusion CLI.

Un detalle curioso: Claude Fable 5.2 en modo max obtuvo solo 56. Según Artificial Analysis, más de sus intentos chocaron con el límite de tiempo por tarea. Es decir, el modo más «aplicado» no garantiza mejor resultado: el agente puede simplemente no terminar a tiempo. Le siguen Claude Sonnet 5.5 (max), con 56 puntos en Claude Code, y Gemini 4 Carbon (high), con 55 puntos en Antigravity CLI.

Precio frente a calidad

Para el presupuesto, la cifra más importante es el coste. Entre las configuraciones que alcanzan 48 puntos o más, el precio por tarea varía unas 30 veces. La más barata es Codex con GPT-6.1 Sol (max): 52 puntos y $1,51 por tarea. La más cara es Claude Code con Claude Fable 5.2 (max): 56 puntos y $44,22.

La diferencia de calidad entre estas dos opciones es de 4 puntos, mientras que en precio la distancia es de casi 30 veces. Si un agente se ejecuta en cientos de tareas al día, eso deja de ser un matiz académico y se convierte en una partida de gasto considerable.

Qué hacer en la práctica

Primero, no traslade el ranking ajeno a su propio stack sin comprobarlo: si cambia el entorno, cambia el resultado. Segundo, mire la puntuación junto con el precio y los límites de tiempo: el modo «máximo» puede costar más y aun así perder frente a una opción más ligera. Tercero, tenga en cuenta las limitaciones: se trata de un único índice independiente formado por tres pruebas, que no conoce la especificidad de su código.

Un plan razonable: elija dos o tres configuraciones de la parte alta de la tabla, incluya obligatoriamente una económica y ejecútelas con tareas propias de su repositorio. El índice público sirve para decidir por dónde empezar, pero el coste de una corrección aceptada tiene que decidirlo su proyecto.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué cambió en el índice?

En la versión 2.1 se actualizaron dos de las tres pruebas. La primera es FrontierCode: en lugar de la versión 1.1 ahora se usa FrontierCode-AA 2.0, una implementación propia del conjunto FrontierCode 2.0 de Cognition. Contiene 132 tareas reales, y no comprueba solo si se superan los tests, sino un criterio que cualquier desarrollador entiende: ¿aceptaría el mantenedor del repositorio el cambio que propone el agente? Se parece a una revisión de código en un proyecto real.

¿Qué se sabe sobre Quién va en cabeza?

El primer puesto, con 58 puntos, lo comparten dos combinaciones con modelos de Anthropic. Claude Fable 5.2 obtiene 58 tanto en modo xhigh como en modo high dentro de Claude Code. Claude Opus 5.5 (max) también logra 58 en Claude Code, y además en pareja con GPT-6 Luna High en el entorno multimodelo de Cognition, Devin Fusion CLI. Un detalle curioso: Claude Fable 5.2 en modo max obtuvo solo 56. Según Artificial Analysis, más de sus intentos chocaron con el límite de tiempo por tarea.

¿Qué se sabe sobre Precio frente a calidad?

Para el presupuesto, la cifra más importante es el coste. Entre las configuraciones que alcanzan 48 puntos o más, el precio por tarea varía unas 30 veces. La más barata es Codex con GPT-6.1 Sol (max): 52 puntos y $1,51 por tarea. La más cara es Claude Code con Claude Fable 5.2 (max): 56 puntos y $44,22. La diferencia de calidad entre estas dos opciones es de 4 puntos, mientras que en precio la distancia es de casi 30 veces.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…