coding agent 榜单换尺子了：Artificial Analysis v2.0 上线，Claude 还是第一，但贵 13 倍

coding agent 的榜单今天换尺子了。Artificial Analysis 10 月 23 日把 Coding Agent Index 升级到 v2.0：DeepSWE 被 Cognition 的 FrontierCode v1.1 换掉，Terminal-Bench 升到 4.0（Laude Institute），SWE-Atlas-QnA-AA（Scale AI）保留并调整了评分。三个基准各占三分之一权重，290 个任务，每题跑三遍取平均。

看点不在“谁第一”——Claude Opus 5.5 跑 Claude Code 以 61.7 领先（AA 10-23 公告口径），这不意外。看点在“尺子本身”：DeepSWE 被换掉，说明 benchmark 也在军备竞赛——一旦某个测试被刷榜刷熟了（训练数据污染、针对性优化），它就失去区分度，得换。这对选型的人是好事：v2.0 更强调终端实操和问答理解，不只是“改代码”。

但更值得看的是另一列数字。v1.5 期的独立分析里，最高配的 Claude（max effort）每个任务的 API 成本大约是 GPT-6.1 Sol（xhigh，Codex 里跑）的 13.6 倍，token 用量 8.7 倍、耗时近 6 倍。换句话说：榜单第一和性价比第一，从来不是同一个东西。小团队选型，别只看总分那一列，把“分/美元”那一列一起看了——你的任务如果能被便宜模型搞定，贵的那个多花的 13 倍就是纯浪费。

实话实说：61.7 这个数字目前只出现在 AA 10-23 的公告帖里，公开榜单页和方法论页还没同步（独立观察者 subagentic 指出方法论页仍写着 v1.5）；成本对比数字来自 v1.5 期的第三方分析，v2.0 下的成本重算还没出来。榜单可以参考，账单自己算。