アーティフィシャル・アナリシス（Artificial Analysis）は2026年10月23日(現地時間)、ソフトウェア開発者向けAIエージェントの評価基準を刷新した「Coding Agent Index v2.0」を発表しました。この新たな指標では、Claude Opus 5.5が総合スコア61.7を記録し、評価対象モデルの中で首位を獲得しています。特に、より厳格になった新ベンチマーク「FrontierCode v1.1」で56.0%のスコアを達成しました。新しい採点基準の導入により、評価対象21の共通設定における平均スコアは、以前の54.8から47.4へと低下しています。
アーティフィシャル・アナリシスは、今回のCoding Agent Index v2.0において、合計290のタスクを評価対象としました。これらのタスクは、SWE、ターミナル、リポジトリQ&Aという3つの均等に重み付けされたベンチマークから構成されています。
以前の主要ベンチマーク「DeepSWE v1.1」は、コグニション（Cognition）が開発したFrontierCode v1.1に置き換えられました。FrontierCode v1.1は、実際のオープンソースリポジトリに対する変更要求をモデルがどれだけ適切に処理できるかを、メンテナーがその変更をマージするかどうかで採点する、より実践的な評価基準です。また、既存のSWE-Atlas-QnA-AAベンチマークは、スケールAI（Scale AI）が提供する124のリポジトリ質問を維持しつつ、採点基準が改訂されました。評価の公平性を保つため、GPT-6 Lunaの「xhigh」設定を用いた審査が実施され、各基準に対し5回の審査票が投じられています。Terminal-Bench 4.0については変更はありません。
評価結果では、Claude Opus 5.5が「Claude Code」と組み合わせることで、総合スコア61.7という最も高い成績を収めました。特に、FrontierCode v1.1においては56.0%のスコアを記録しています。評価された24の設定のうち、15の設定がFrontierCode v1.1で43%から49%の間に集中しており、これは上位モデル間での競争が非常に僅差であることを示しています。SWE-Atlas-QnA-AAベンチマークに限ると、Muse Code + Muse Wonder Fullが68.8%で首位となり、Claude Code + Fable 5.1が66.4%、Claude Code + Opus 5.5が65.9%でそれに続きました。
コストパフォーマンスの観点では、Codex + DeepSeek V4.1 Flash (max)が47.3のスコアでタスクあたり0.39ドルと最も低コストでした。これに対し、「GPT-6.1 Sol」は54.1スコアで1.50ドル、「GPT-6 Astra」は54.7スコアで7.04ドル、そしてClaude Code + Opus 5.5は61.7スコアで11.42ドルと算出されています。これらの推定値は、各モデルの従量課金APIの価格に基づいています。
21の共通設定における平均総合スコアは、旧バージョンの54.8から47.4へと大幅に低下しました。この低下の主要因は、「DeepSWE v1.1」からFrontierCode v1.1へのベンチマーク変更であり、それぞれの平均スコアは65.6%と45.1%でした。また、「Q&A」採点の改訂も平均スコアを1.7ポイント引き下げる要因となりました。アーティフィシャル・アナリシスは、ベンチマークの基準変更とエージェントの能力低下を区別するため、バージョン1.0と2.0のスコアは直接比較できないと注意を促しています。
参考: alphasignal.ai (アーカイブ) — 2026年10月23日 09:17 (JST)