Artificial Analysis 上线 FrontierCode 1.1 编码 agent 排行榜：Claude Opus 5.5 以 52% 居首，MiMo-V2.6-Pro 领跑开源权重模型

2026 年 10 月 12 日，AI 评测机构 Artificial Analysis 宣布上线：一份公开的编码 agent 榜单，测的是各家模型在 Cognition 的同名私有评测里，能否对一个真实开源仓库做出「维护者愿意合并」的修改。AA 用其开源的 Stirrup agent harness（代理运行框架）统一驱动全部参评模型，在评测的 100 道 Main 主任务集上独立运行，榜单页已挂出 22 个模型的成绩。

首发头条数字属于 Claude Opus 5.5 (max with fallback)：平均分 52%，排名第一。但 AA 在中同时给出另一面：领先模型仍有超过 40% 的尝试不通过，Opus 5.5 通过全部阻断性（blocking）检查的尝试占比也只有 58%；100 道任务里有 9 道，没有任何参评模型在任何一次尝试中做出来过。

前三名只差 3.2 个百分点：榜单页的精确分数

按的口径，前三名是 Claude Opus 5.5 (max with fallback) 52.2%、GPT-6.1 Sol (max) 49.1%、Claude Fable 5.1 (max with fallback) 49.0%；发布文章取整后写作 52%、49%、49%。

分数带很窄：六个实验室的九个模型全部落在 43%～52% 之间。开源权重（open weights）模型中，MiMo-V2.6-Pro 以 45% 领先，DeepSeek V4.1 Flash (max) 与 Kimi K3 (max) 均为 44%。

通过率（pass rate，指通过全部阻断性检查的尝试占比）的跨度更大：从榜首的 58% 一路降到 Muse Glimmer (high) 的 16%。反向的极端也存在：没有任何一道任务被所有模型在所有尝试中通过。

评分不止看测试：改动范围、代码量与维护者标准都在内

FrontierCode 出自 Cognition，由后者与 36 个开源仓库的维护者共同建题，按 AA 的描述，维护者在每道任务上投入的时间超过 40 小时。每道任务要求 agent 对一个真实开源仓库做一处修改，而评分机制比「测试是否通过」多出几层：除隐藏测试和命令检查外，还限制改动可以触及哪些文件、改动的代码量，并由 LLM 按维护者的标准做定性审查。

榜单页把检查归为六类——常规测试（classical tests）、命令检查（command checks）、反向测试（reverse-classical tests）、自适应测试（adaptive classical tests）、范围检查（scope checks）与 LLM 提示审查（LLM prompt review），每类分阻断性与非阻断性两种：任何阻断项不过，该次尝试记 0 分；全部通过则得 70%～100%，非阻断表现决定落点。

被点名的扣分行为包括：改动过度、diff（代码改动）过大，修改了任务范围之外的文件，以及添加没有实际用处的测试。AA 认为这套标准切中当下的问题——模型做编码任务的能力已经很强，但改动常常还要经过大量清理，维护者才愿意合并。

每题跑三次、上限 250 轮，任务保密防污染

AA 跑的是 FrontierCode 1.1 Main，即该评测 150 道任务中的 100 道主任务集，任务内容保密，以防模型在训练中见过原题（数据污染）。所有模型都跑在同一个 Stirrup harness 里，单次尝试上限 250 轮；每道任务跑 3 次，先在任务内取平均，再把 100 道任务等权平均成最终分数。

定性审查部分由 LLM 裁判打分，AA 用的是 GPT-6 Luna (medium)。另有一条硬规则：凡是被 Cognition 的轨迹扫描器（trajectory scanner）按公平联网规则判定为查找答案的尝试，直接记 0 分。

每题成本相差超过 100 倍：GPT-6.1 Sol (max) 以 $0.81 拿到 49%

分数带的宽度只有 9 个百分点，每题成本的差距却超过 100 倍：AA 统计的每题平均成本从 GPT-6 Luna (max) 的 $0.09 到 Claude Fable 5.1 (max with fallback) 的 $12.00。AA 在发布文章中给出了「分数—成本」帕累托前沿（Pareto frontier）上的四个模型：GPT-6 Luna (max) 42%、$0.09；MiMo-V2.6-Pro 45%、$0.18；GPT-6.1 Sol (max) 49%、$0.81；Claude Opus 5.5 (max with fallback) 52%、$10.15。从 GPT-6.1 Sol 到 Opus 5.5 这最后一步，多花 12 倍以上的每题成本，只换来 3 分。

按 AA 的口径，性价比最好的是 GPT-6.1 Sol (max)：$0.81 一题拿到 49%，与 Claude Fable 5.1 (max with fallback) 持平，成本不到领先的 Anthropic 模型的十分之一。它比 GPT-6 Astra (max) 高 2 分，成本约为后者的五分之一（$0.81 对 $4.22）。

词元（token）效率的差距同样明显：GPT-6 Astra (max) 与 GPT-6.1 Sol (max) 每题输出约 27,000 和 33,000 个 token，Claude Opus 5.5 (max with fallback) 约 157,000 个，Claude Sonnet 5.5 (max with fallback) 约 236,000 个、为全场最高。Sonnet 5.5 每题输出 token 比 Opus 5.5 多约 50%，但 token 单价是 Opus 的一半，每题成本反而更低（$8.26 对 $10.15）。速度方面，每题解码时间从 Inkling (xhigh) 的约 3 分钟到 Qwen3.8 Max (0902) 的约 46 分钟。

Cognition 六月发布的私有评测，AA 的十月公开榜单

FrontierCode 由 Cognition 于 2026 年 6 月发布，同年 7 月升级到 1.1，加入了公平联网规则。AA 称与 Cognition 合作把这套评测带上自己的平台，但榜单以独立形式上线，不并入 AA Intelligence Index。AA 表示，计划尽快把 FrontierCode 加入其 Coding Agents 榜单。

需要留意口径：发布文章注明，文中数字是 2026 年 10 月 12 日的时点快照，最新成绩以持续更新的榜单页为准；而这份榜单上的全部成绩都出自 AA 自己的实现与运行——AA 强调所有评测由其独立完成。