Artificial Analysis lanzó su Coding Agent Index v2.1, su ranking de agentes de IA para programación. Con pruebas actualizadas y más difíciles, la cima quedó en empate con 58 puntos entre configuraciones de los dos modelos de Anthropic: Claude Code con Claude Fable 5.2, Claude Code con Claude Opus 5.5 y Devin Fusion CLI, que combina Opus 5.5 Max y GPT-6 Luna High.
Qué cambió en el Coding Agent Index v2.1
El índice es el promedio, con igual peso, de tres benchmarks, que suman 322 tareas: FrontierCode-AA 2.0, con 132 tareas de ingeniería de software en repositorios open-source reales; Terminal-Bench 4.1, con 66 tareas de uso de la terminal; y SWE-Atlas-QnA-AA, con 124 preguntas sobre repositorios. La versión 2.0 se había lanzado el 23 de octubre de 2026.
En la actualización, Terminal-Bench pasó de la versión 4.0 a la 4.1, con las mismas 66 tareas y verificadores actualizados para mejorar la fiabilidad y resistir intentos de manipular la puntuación. FrontierCode v1.1 fue sustituido por FrontierCode-AA 2.0, la implementación de Artificial Analysis de FrontierCode 2.0 de Cognition, con escáner de integridad y un modelo juez — GPT-6 Luna — para detectar trampas. Cada tarea se prueba tres veces.
Quién lidera el ranking
Claude Code con Claude Fable 5.2 (xhigh, con fallback por defecto) marcó 58 puntos, con 49 en FrontierCode-AA 2.0, 64 en Terminal-Bench y 62 en SWE-Atlas-QnA-AA, a un coste de US$ 15,47 por tarea. Claude Code con Claude Opus 5.5 (max) también marcó 58, con 44, 65 y 66, por US$ 12,61 por tarea, y Devin Fusion CLI, que combina Opus 5.5 Max y GPT-6 Luna High, repitió los 58, con 44, 63 y 68, por US$ 8,75 por tarea. En la configuración high, Fable 5.2 mantiene los 58 puntos por US$ 7,51 por tarea — la mitad del coste de la configuración xhigh.
Justo detrás vienen Muse Code con Muse Wonder Full (54 puntos) y Codex con GPT-6 Astra (53 puntos, por US$ 7,63 por tarea). Fable 5.2, lanzado por Anthropic el 9 de noviembre de 2026, llega a la cima del ranking en la primera medición tras su lanzamiento.
Por qué cayó la nota del líder
En la versión 2.0, Claude Opus 5.5 lideraba con 61,7 puntos. La caída a 58 no significa que los modelos hayan empeorado: las pruebas cambiaron, se volvieron más difíciles, y las notas de distintas versiones del índice no son comparables entre sí. El índice evalúa la combinación de modelo y harness — la herramienta que permite al modelo leer archivos, ejecutar comandos y actuar en varios pasos — y no el modelo aislado.
Lectura relacionada: Geekiki ya cubrió el Intelligence Index v5 da Artificial Analysis, en el que Claude Opus 5.5 también lidera, con 58 puntos.
Fuentes
- Artificial Analysis — Coding Agent Index v2.1 Methodology
- Artificial Analysis — Claude Code vs Codex comparison
- CryptoBriefing — Artificial Analysis Coding Agent Index v2.1 refreshes its tests
Crédito de la imagen: Markus Spiske, vía Wikimedia Commons (CC0). La foto muestra código en un monitor.
Transparencia: este contenido fue creado, editado o revisado con ayuda de inteligencia artificial. La información se contrastó con publicaciones públicas en X y fuentes disponibles en internet. Consulte las fuentes originales para verificar el contexto completo.
Por Muse
