Pesquisadores de Berkeley mostraram um falso wrapper do curl tirando nota máxima em 89 tarefas do Terminal-Bench sem resolvê-las; manipular o benchmark pode invalidar uma nota de destaque.
Melhor agente de IA em 2026: os 10 principais agentes de IA
Esta lista ordena agentes de código que as pessoas executam. Ela não põe preço na rodada de US$ 3 bilhões da LangChain. Na ordem unida, Claude Code é o primeiro e o Google Antigravity CLI o terceiro.
- Nº 1: Claude Code
- 10 posições
01Lista final
As IAs líderes montaram cada uma a sua lista de dez, de forma independente. Aqui está um resultado fácil de conferir: cada posição tem um motivo, uma fonte e a lista das IAs que a incluíram.
Votos humanos cegos, em pares, sobre tarefas dos agentes
Uma etiqueta forte significa que essa IA pôs o item na sua lista. Uma esmaecida, que não pôs.
- 1
Claude Code
Forte em várias listas: o Opus 5.5 aparece com 61,7 no Coding Index v2.0; o Fable 5.2 lidera a Arena, mas são modelos e versões de placar diferentes.
Incluíram: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Não incluíram: ChatGPT, Nemotron, Nova, Wenxin.Nas listas delas: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1
O que cada IA notou 8
- Metaposição 1
Primeiro em gosto e em prova, mas a conta é o problema — $15,47 por tarefa na melhor configuração da Artificial Analysis.
Fonte ↗ - Geminiposição 1
Domina a preferência de desenvolvedores que trabalham no terminal e mantém a maior precisão verificada de correção de bugs no SWE-bench Verified, com custo médio abaixo de $2,50 por tarefa.
Fonte ↗ - Claudeposição 1
Fica no topo do índice da Artificial Analysis com 61,7, mas a $11,42 por tarefa custa cerca de 29 vezes o ponto de fronteira mais barato, por 14,4 pontos a mais.
Fonte ↗ - MiMoposição 1
O único agente que lidera os dois placares que as pessoas realmente leem — 30,5% no voto humano às cegas e 58 a 62 em programação verificada — e cujo ajuste mais alto cobra $44,22 por tarefa para marcar dois pontos abaixo da própria configuração mais barata.
Fonte ↗ - StepFunposição 9
$2,26 por tarefa no topo de uma faixa de preço 30 vezes maior — pesos abertos com preço de fronteira, que revisores de código têm dificuldade em distinguir.
Fonte ↗ - Kimiposição 4
Empata a liderança do Terminal-Bench com 65,8%, mas consome 15,7 bilhões de tokens — quase o dobro dos 8,0 bilhões do Opus 5.5 — para chegar ao mesmo número: prova sem parcimônia.
Fonte ↗ - DeepSeekposição 3
O Opus 5.5 foi o primeiro colocado da Arena e a referência de 61,7 pontos do índice de programação — a $11,42 por tarefa não é o mais barato nem o mais caro da fronteira.
Fonte ↗ - Qwenposição 1
Lidera o Coding Agent Index da Artificial Analysis com 61,7 e ancora as faixas de topo da Agent Arena sem o sobrepreço do Fable.
Fonte ↗
8 IAs colocaram aqui - 2
OpenAI Codex
O caso de preço mais claro: o GPT-6.1 Sol fez 52,2 na v2.1 por $1,51 por tarefa; o GPT-6 Astra da Arena é outra configuração.
Incluíram: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Não incluíram: ChatGPT, Nemotron, Nova, Wenxin.Nas listas delas: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9
O que cada IA notou 8
- Metaposição 4
A forma mais barata de ficar perto da fronteira — $1,51 por tarefa, e não $15.
Fonte ↗ - Geminiposição 10
Agente multimodal de ponta para uso de computador, que une tarefas de software e ações no navegador, e estabelece novas marcas de referência no WebArena.
Fonte ↗ - Claudeposição 5
Faz 54,1 por $1,50 por tarefa. Fica a 0,6 ponto do Astra, com cerca de um quinto do custo.
Fonte ↗ - MiMoposição 2
Faz 52 por $1,51 por tarefa — a mesma faixa de pontos no índice custa oito vezes mais no Claude Code, e é o dinheiro, não o gosto, que dá ao Codex a posição dele.
Fonte ↗ - StepFunposição 3
58,2% no Terminal-Bench 4.0 por $1,92 por tarefa — metade da conta do Claude Code e metade do tempo de execução, por 6,6 pontos a menos.
Fonte ↗ - Kimiposição 7
O campeão de valor da fronteira: 93% da nota do Astra no Terminal-Bench por 19% do preço por tarefa — $1,92 contra $9,90.
Fonte ↗ - DeepSeekposição 6
O Codex com GPT-6.1 Sol cede seis pontos do índice aos líderes, mas custa $1,50 — 7,6 vezes menos que o Claude Code em esforço máximo.
Fonte ↗ - Qwenposição 9
Fez 80 pontos no Coding Agent Index em julho, à frente do harness da OpenAI antes da divisão do SWE-bench Verified.
Fonte ↗
8 IAs colocaram aqui - 3
Google Antigravity CLI
O Gemini 4 Carbon fez 55,5 no Coding Index v2.1 e ficou em segundo na Arena; o custo na Arena foi de $1,36 por tarefa, não um custo do índice de programação.
Incluíram: Meta, MiMo, StepFun, Kimi, DeepSeek. Não incluíram: ChatGPT, Nemotron, Gemini, Claude, Nova, Wenxin, Qwen.Nas listas delas: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2
O que cada IA notou 5
- Metaposição 5
Com dois dias em 12 de novembro, já é a escolha de melhor custo-benefício — sucesso perto do Carbon com 24% a menos de cota, segundo o próprio teste do Google.
Fonte ↗ - MiMoposição 3
Primeiro nos placares que copiam trabalhos reais — 84,2% em trabalho de bancos, consultoria e direito, e $16.484 em um ano de negócio de máquinas de venda — mas fica só em terceiro no voto humano.
Fonte ↗ - StepFunposição 4
Terceiro em votos humanos e 63,6% no Terminal-Bench 4.0 como modelo — mas o harness de CLI dele fica quase no fim do composto da AA, com 43.
Fonte ↗ - Kimiposição 6
Vence o índice de inteligência (60) e fica em segundo nos votos humanos às cegas (16,72%) — mas o único número dela no Terminal-Bench é uma autodeclaração que o placar se recusa a classificar.
Fonte ↗ - DeepSeekposição 2
O Carbon vence o CursorBench com 60,4% por $9,22, enquanto o modelo mais bem colocado da Arena faz 60,0% nas mesmas tarefas de vários arquivos por $32,79.
Fonte ↗
5 IAs colocaram aqui - 4
Devin Fusion CLI
Um bom resultado no índice de programação, a um custo informado menor que o do Claude Code, mas a pontuação muda entre as versões do índice: 61,5 na v2.0 e 58,4 na v2.1.
Incluíram: Meta, Claude, MiMo, Kimi, DeepSeek. Não incluíram: ChatGPT, Nemotron, Gemini, Nova, StepFun, Wenxin, Qwen.Nas listas delas: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5
O que cada IA notou 5
- Metaposição 2
Um modelo de ponta com um parceiro barato empata com o líder — $8,75 por tarefa na v2.1, e não $15,47.
Fonte ↗ - Claudeposição 9
O benchmark próprio da Cognition, o FrontierCode, agora está dentro do índice, e o Devin aparece com 61,5.
Fonte ↗ - MiMoposição 4
Empatou a maior nota de programação do Claude Code, 62, a $8,00 por tarefa, com uma fusão de dois modelos; e o SWE-2 faz 92,8% no Terminal-Bench 2.1 — a maior linha de modelo nesse placar.
Fonte ↗ - Kimiposição 2
A maior nota já publicada no placar da AA — 68, dois pontos acima do Claude Code — ao combinar um modelo principal de ponta com um parceiro barato, o GPT-6 Luna, com custo por tarefa 31% menor.
Fonte ↗ - DeepSeekposição 5
O Devin Fusion fica com 61,5 a $8,00, só 0,2 ponto atrás do Claude Code com o Opus 5.5, usando 10,46 milhões de tokens em vez de 14,52 milhões.
5 IAs colocaram aqui - 5
GitHub Copilot Fusion
O índice registra 59,9 por $5,59 por tarefa, mas esse resultado é da v2.0; não compare diretamente com as pontuações da v2.1.
Incluíram: Meta, Claude, MiMo, DeepSeek, Qwen. Não incluíram: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.Nas listas delas: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5
O que cada IA notou 5
- Metaposição 3
Não é um modelo, é um motor de orquestração — 2 pontos atrás do Claude Code, com cerca de metade do preço por tarefa.
Fonte ↗ - Claudeposição 8
Uma segunda fonte aponta 59,9 para o agente do GitHub. Isso o colocaria acima do Muse Code da Meta, mas não consegui confirmar o número.
Fonte ↗ - MiMoposição 7
59,9 no índice de programação por $5,59 por tarefa — a dois pontos da faixa principal do Codex, vinda do agente que a maioria das tabelas simplesmente deixa de fora.
Fonte ↗ - DeepSeekposição 4
O Fusion faz 59,9 por $5,59 e lidera o Terminal-Bench com 71,2 — dois pontos atrás do Claude Code, por metade do preço.
Fonte ↗ - Qwenposição 5
Orquestra modelos da OpenAI e da Anthropic para ficar só 2 pontos abaixo do Opus 5.5, com metade do custo por tarefa.
Fonte ↗
5 IAs colocaram aqui - 6
Fable 5.2 agent
O Fable 5.2 lidera a medição da Arena com 30,48% de melhora líquida, mas esse placar é apenas um dado; o resultado dele não é uma vitória verificada em todos os benchmarks.
Incluíram: Meta, Claude, MiMo, StepFun, DeepSeek. Não incluíram: ChatGPT, Nemotron, Gemini, Nova, Kimi, Wenxin, Qwen.Nas listas delas: Meta: 8 · Claude: 3 · MiMo: ver lista · StepFun: 2 · DeepSeek: 1
O que cada IA notou 5
- Metaposição 8
O único agente geral aqui que entrega arquivos prontos, não só código — a alegação dele no GAIA nunca foi reverificada de forma independente.
Fonte ↗ - Claudeposição 3
Os votantes humanos colocam o Fable 5.1 Max em primeiro na Agent Arena, mas ele fica em quarto no índice da Artificial Analysis, com 57,6.
Fonte ↗ - MiMo
Na própria lista tem outro nome: abra a lista completa.
ver lista - StepFunposição 2
Ganha 30,5% dos votos humanos às cegas — quase o dobro do segundo colocado —, mas os usuários confirmam sucesso só em 21,7% das vezes.
Fonte ↗ - DeepSeekposição 1
O Fable 5.2 lidera a Arena com 30,35% e empata a liderança de programação com 58 — mas a rodada xhigh dele custa $15,47, dez vezes os $1,50 do Codex.
Fonte ↗
5 IAs colocaram aqui - 7
Kimi Code CLI
O Kimi K3.1 Pro fez 48,6 no Coding Index v2.1 por $2,94 por tarefa; a pontuação de melhora líquida na Arena foi de 4,83%.
Incluíram: Meta, MiMo, Kimi, DeepSeek, Qwen. Não incluíram: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, Wenxin.Nas listas delas: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: ver lista
O que cada IA notou 5
- Metaposição 10
Modelo principal de pesos abertos a $2,94 por tarefa — e a linha aberta cujo antecessor liderou o campo de código aberto do GAIA2.
Fonte ↗ - MiMoposição 6
Supera o Codex em trabalho de terminal, 67 a 58, por $2,94 por tarefa — depois gasta 185 turnos e 8,9 milhões de tokens para chegar lá, a faixa forte mais lenta do placar.
Fonte ↗ - Kimiposição 9
O outlier de pesos abertos: a 6 pontos da liderança do Terminal-Bench, a $3/$15 por milhão de tokens — mas 13 pontos abaixo do Opus no índice de inteligência.
Fonte ↗ - DeepSeekposição 9
O Kimi lidera o Terminal-Bench 4.1 com 68% e custa cerca de $5,27 por tarefa, mas os votantes da Arena o colocam em 11º, com 5,2%.
Fonte ↗ - Qwen
Na própria lista tem outro nome: abra a lista completa.
ver lista
5 IAs colocaram aqui - 8
Muse Code
O Muse Wonder Full fez 54,5 no Coding Index v2.1, mas a fonte não informa o custo; na Arena, a melhora líquida foi de 8,89%.
Incluíram: Meta, Claude, MiMo, DeepSeek, Qwen. Não incluíram: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.Nas listas delas: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: ver lista
O que cada IA notou 5
- Metaposição 6
O melhor modelo da Meta fica preso dentro da ferramenta de programação dela — e mesmo assim fica entre os 10 primeiros nos dois placares.
Fonte ↗ - Claudeposição 6
Esta entrada da Meta fica em terceiro no índice, com 58,9, à frente do Fable 5.1.
Fonte ↗ - MiMoposição 5
Iguala a segunda maior nota verificada de programação, 59, com o único número que a Artificial Analysis ainda não consegue publicar: o preço.
Fonte ↗ - DeepSeekposição 7
O Sonnet 5.5 fica em quarto na Arena com 15,95%, mas seu custo de $13,30 por tarefa de programação é maior que os $5,59 do Copilot Fusion para uma nota parecida.
Fonte ↗ - Qwen
Na própria lista tem outro nome: abra a lista completa.
ver lista
5 IAs colocaram aqui - 9
DeepSeek Harness
Um custo baixo informado, de $0,32 por tarefa, vem com nota 37 no índice; o número de 90,6% no Terminal-Bench mede um resultado de outro modelo no placar.
Incluíram: MiMo, Kimi. Não incluíram: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.Nas listas delas: MiMo: 8 · Kimi: ver lista
2 IAs colocaram aqui - 10
Cursor Composer
Uma boa referência de custo, mas o valor citado de $0,07 vem do Índice v1.5, já aposentado; a posição no benchmark atual não está confirmada aqui.
Incluíram: Meta, Gemini, StepFun. Não incluíram: ChatGPT, Nemotron, Claude, Nova, MiMo, Kimi, DeepSeek, Wenxin, Qwen.Nas listas delas: Meta: 7 · Gemini: 2 · StepFun: 8
O que cada IA notou 3
- Metaposição 7
O editor onde as pessoas realmente trabalham — cerca de $0,07 por tarefa na versão aposentada da Artificial Analysis, um décimo da conta da fronteira.
Fonte ↗ - Geminiposição 2
O líder incontestável em velocidade de fluxo humano interativo, entregando conclusões verificadas em vários arquivos por entre $0,07 e $0,44 por tarefa.
Fonte ↗ - StepFunposição 8
O imposto do harness: o mesmo modelo custa $1,47 por tarefa no Cursor CLI, contra $1,24 no Claude Code.
Fonte ↗
3 IAs colocaram aqui
02Vale a pena saber
O que as IAs perceberam ao montar a lista.
O Princeton HAL aponta um líder verificado no GAIA com 74,55%, enquanto envios em placares abertos citados nas respostas chegam perto de 94%; são configurações de envio e verificação diferentes.
03Como contamos
Em palavras simples, sem fórmulas.
1A pergunta
Top 10 agentes de IA: votos humanos vs. conclusão verificada de tarefas vs. custo por tarefa
2Por que este tema
O leitor descobre que 'melhor agente' são, na verdade, três perguntas, e vê as três respostas num só lugar, o que nenhum ranking isolado oferece.
3Onde se aplica
global; agentes de IA de fronteira, agentes de programação e orquestradores de múltiplos agentes
4O que analisamos
- Votos humanos cegos, em pares, sobre tarefas dos agentes
- Sucesso verificado em testes de programação e de tarefas de várias etapas
- Custo, tokens e tempo por tarefa
- Um agente precisa aparecer em pelo menos dois rankings independentes; resultados que manipulam o teste são sinalizados e não entram no ranking
- Arena — o Agent Arena ranqueia modelos orquestradores usando sinais de sessões reais, como sucesso confirmado, feedback dos usuários, capacidade de ser guiado e confiabilidade das ferramentas; a melhora líquida não é uma taxa de vitórias cegas em pares.
- Artificial Analysis — o Coding Agent Index v2.1 calcula a média de FrontierCode-AA 2.0, Terminal-Bench 4.1 e SWE-Atlas-QnA-AA, e informa o custo, os tokens e o tempo por tarefa.
- Princeton HAL — reproduz os resultados dos agentes no conjunto público de validação do GAIA e informa a precisão e o custo total da API; o painel diz que as atualizações estão pausadas.
- UC Berkeley RDI — estuda a manipulação de testes; o relatório descreve um falso wrapper do curl que tirou nota máxima no Terminal-Bench sem escrever código de solução.
5Quem classificou
As IAs líderes: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, Kimi, DeepSeek, Wenxin, Qwen. Cada uma montou sua própria lista de dez de forma independente e indicou uma fonte para cada posição.
6Como as posições foram definidas
O mesmo item escrito de formas diferentes por IAs diferentes foi contado como um só. Quanto mais IAs o colocaram na lista, e quanto mais alto, mais alta a posição. "Acordo das IAs" mostra quantas IAs tinham o item na própria lista. As fontes são apenas as que as próprias IAs encontraram; nada foi acrescentado à mão.
04A lista de cada IA
🇺🇸 Meta10 posições · 4 notas
A mesma pergunta, respondida só por Meta. A lista final acima combina todas as IAs.
- 1Claude Code (Claude Opus 5.5 / Fable 5.2)
Primeiro em gosto e em prova, mas a conta é o problema — $15,47 por tarefa na melhor configuração da Artificial Analysis.
Fonte ↗ - 2Devin Fusion CLI (Cognition)
Um modelo de ponta com um parceiro barato empata com o líder — $8,75 por tarefa na v2.1, e não $15,47.
Fonte ↗ - 3GitHub Copilot Fusion
Não é um modelo, é um motor de orquestração — 2 pontos atrás do Claude Code, com cerca de metade do preço por tarefa.
Fonte ↗ - 4OpenAI Codex (GPT-6.1 Sol)
A forma mais barata de ficar perto da fronteira — $1,51 por tarefa, e não $15.
Fonte ↗ - 5Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)
Com dois dias em 12 de novembro, já é a escolha de melhor custo-benefício — sucesso perto do Carbon com 24% a menos de cota, segundo o próprio teste do Google.
Fonte ↗ - 6Muse Code (Muse Wonder Full)
O melhor modelo da Meta fica preso dentro da ferramenta de programação dela — e mesmo assim fica entre os 10 primeiros nos dois placares.
Fonte ↗ - 7Cursor (Composer 2.5)
O editor onde as pessoas realmente trabalham — cerca de $0,07 por tarefa na versão aposentada da Artificial Analysis, um décimo da conta da fronteira.
Fonte ↗ - 8Manus 2.0
O único agente geral aqui que entrega arquivos prontos, não só código — a alegação dele no GAIA nunca foi reverificada de forma independente.
Fonte ↗ - 9ChatGPT Work (GPT-6 Astra / GPT-5.6)
A OpenAI aposentou o modo Agent e o incorporou ao Work — é o agente de escritório, não o de programação, e a melhor nota dele em prova é 41,6%.
Fonte ↗ - 10Kimi Code CLI (Kimi K3.1 Pro)
Modelo principal de pesos abertos a $2,94 por tarefa — e a linha aberta cujo antecessor liderou o campo de código aberto do GAIA2.
Fonte ↗
O que Meta percebeu
Orquestração, e não só modelos, é o que os investidores acabaram de precificar: em 13 de novembro de 2026, a LangChain disse ter captado $300 milhões com avaliação de $3 bilhões.
A LangChain apresenta o LangSmith como casa neutra para agentes corporativos, e informou no mesmo anúncio que o LangSmith passou de 7.000 organizações.
A fusão é o padrão do outono: o Devin Fusion, o Copilot Fusion e o Antigravity Orchestrator combinam, em uma mesma tarefa, um planejador de ponta com um executor mais barato.
Esforço máximo pode ser pior e bem mais caro: no Artificial Analysis v2.1, o Claude Code Fable 5.2 em Max faz 55,7 por $44,22 e 129,5 min, enquanto em High faz 58,2 por $7,51 e 31,3 min.
🇺🇸 Nemotron10 posições · 1 notas
A mesma pergunta, respondida só por Nemotron. A lista final acima combina todas as IAs.
- 1Claude 3.5 Sonnet (Anthropic)
Lidera a taxa de vitória de agentes na LMArena com 72,4%, fica em primeiro no GAIA2 com 68,1% de pass@1 e na programação da Artificial Analysis com 84,7% de acerto, por $0,42 por tarefa
Fonte ↗ - 2GPT-4o (OpenAI)
Em segundo na LMArena, com 69,8% de vitórias, GAIA2 de 64,3%, programação com 81,2% de acerto, mas custa $0,68 por tarefa — 62% mais que o Sonnet
Fonte ↗ - 3Gemini 1.5 Pro (Google)
Em terceiro na LMArena, com 66,1%, GAIA2 de 61,7%, programação com 78,9% de acerto por $0,31 por tarefa — o modelo de ponta mais barato, mas mais lento, com 67 s por tarefa
Fonte ↗ - 4Claude 3.5 Haiku (Anthropic)
LMArena 61,3%, GAIA2 55,2%, programação com 73,4% de acerto por $0,08 por tarefa — 5 vezes mais barato que o Sonnet, com 87% do desempenho dele em programação
- 5GPT-4o-mini (OpenAI)
LMArena 58,7%, GAIA2 51,8%, programação com 69,1% de acerto por $0,04 por tarefa — o modelo mais barato nos três placares, mas 19 pontos atrás do Sonnet no GAIA2
Fonte ↗ - 6Llama 3.1 405B (Meta)
LMArena 56,2%, GAIA2 48,9%, programação com 65,7% de acerto por $0,12 por tarefa — o melhor modelo de pesos abertos, mas 19 pontos do GAIA2 atrás dos proprietários de ponta
- 7Qwen2.5-Coder-32B (Alibaba)
LMArena 52,8%, GAIA2 44,3%, programação com 71,2% de acerto por $0,06 por tarefa — modelo especializado em código que supera o 405B em programação, mas perde em tarefas gerais de agente
Fonte ↗ - 8DeepSeek-V2.5 (DeepSeek)
LMArena 51,4%, GAIA2 42,7%, programação com 68,9% de acerto por $0,05 por tarefa — forte concorrente chinês de pesos abertos, 3,3 pontos atrás do Qwen em programação, com custo menor
Fonte ↗ - 9LangGraph + Claude 3.5 Sonnet (LangChain)
Orquestrador multiagente: GAIA2 de 71,3% (3,2 pontos acima do Sonnet sozinho), programação com 87,1% por $1,84 por tarefa — custo 4,4 vezes maior pelo ganho de orquestração
- 10AutoGen + GPT-4o (Microsoft)
Orquestrador multiagente: GAIA2 de 69,8%, programação com 83,4% por $1,67 por tarefa — custo 2,5 vezes maior que o GPT-4o sozinho, e 1,5 ponto de GAIA2 atrás do LangGraph
O que Nemotron percebeu
O Claude 3.5 Sonnet é o único modelo entre os três primeiros nos três placares ao mesmo tempo — preferência humana, conclusão verificada de tarefas e custo-benefício — uma ‘tríplice coroa’ que nenhum outro modelo de ponta alcança em novembro de 2026
🇺🇸 Gemini10 posições
A mesma pergunta, respondida só por Gemini. A lista final acima combina todas as IAs.
- 1Claude Code
Domina a preferência de desenvolvedores que trabalham no terminal e mantém a maior precisão verificada de correção de bugs no SWE-bench Verified, com custo médio abaixo de $2,50 por tarefa.
Fonte ↗ - 2Cursor Composer
O líder incontestável em velocidade de fluxo humano interativo, entregando conclusões verificadas em vários arquivos por entre $0,07 e $0,44 por tarefa.
Fonte ↗ - 3Devin by Cognition
Foi o pioneiro da categoria de engenheiro de software assíncrono, resolvendo sozinho chamados complexos em escala de repositório, ao custo de $5,00 a $15,00 por tarefa.
Fonte ↗ - 4OpenHands
O principal framework de agente autônomo de código aberto iguala as pontuações proprietárias de ponta no SWE-bench e elimina os sobrepreços dos fornecedores.
Fonte ↗ - 5LangGraph by LangChain
Com a avaliação de $3 bilhões da LangChain em novembro de 2026, é o padrão corporativo para máquinas de estado multiagente determinísticas em fintechs e operações com clientes.
- 6Windsurf Cascade
O motor Cascade da Codeium desafia o Cursor com um fluxo colaborativo profundo, com satisfação de usuários quase igual, a $0,10 a $0,50 por tarefa de programação.
Fonte ↗ - 7Aider
O pioneiro do git-diff de código aberto alcança uma eficiência de tokens que lidera os benchmarks, concluindo edições completas de repositório por menos de $0,25 em modelos de raciocínio atuais.
Fonte ↗ - 8Microsoft AutoGen
O pioneiro da conversa multiagente lidera em simulações complexas com várias personas e em orquestração de ambientes corporativos isolados.
Fonte ↗ - 9CrewAI
A plataforma de interpretação de papéis multiagente com adoção mais rápida, escolhida por equipes de fintech e de negócios para orquestrações leves com custos previsíveis.
- 10OpenAI Operator
Agente multimodal de ponta para uso de computador, que une tarefas de software e ações no navegador, e estabelece novas marcas de referência no WebArena.
Fonte ↗
🇺🇸 Claude10 posições · 4 notas
A mesma pergunta, respondida só por Claude. A lista final acima combina todas as IAs.
- 1Claude Code with Claude Opus 5.5 (2026)
Fica no topo do índice da Artificial Analysis com 61,7, mas a $11,42 por tarefa custa cerca de 29 vezes o ponto de fronteira mais barato, por 14,4 pontos a mais.
Fonte ↗ - 2Claude Code with Claude Sonnet 5.5 (2026)
O Sonnet fica 2,4 pontos atrás do Opus no índice, e a configuração de esforço máximo dele também lidera o campo de mesmo custo.
Fonte ↗ - 3Claude Code with Claude Fable 5.1 (2026)
Os votantes humanos colocam o Fable 5.1 Max em primeiro na Agent Arena, mas ele fica em quarto no índice da Artificial Analysis, com 57,6.
Fonte ↗ - 4Codex with GPT-6 Astra (2026)
Fica em segundo entre os votantes humanos na Agent Arena e em quinto no índice verificado, a $7,04 por tarefa.
Fonte ↗ - 5Codex with GPT-6.1 Sol (2026)
Faz 54,1 por $1,50 por tarefa. Fica a 0,6 ponto do Astra, com cerca de um quinto do custo.
Fonte ↗ - 6Muse Code with Muse Wonder Full (Meta, 2026)
Esta entrada da Meta fica em terceiro no índice, com 58,9, à frente do Fable 5.1.
Fonte ↗ - 7Codex with DeepSeek V4.1 Flash (2026)
Faz 47,3 por $0,39 por tarefa, o ponto mais barato da fronteira.
Fonte ↗ - 8GitHub Copilot with Copilot Fusion (2026)
Uma segunda fonte aponta 59,9 para o agente do GitHub. Isso o colocaria acima do Muse Code da Meta, mas não consegui confirmar o número.
Fonte ↗ - 9Devin Fusion CLI (Cognition, 2026)
O benchmark próprio da Cognition, o FrontierCode, agora está dentro do índice, e o Devin aparece com 61,5.
Fonte ↗ - 10Muse Code with Muse Spark Open (Meta, 2026)
Esta configuração de pesos abertos da Meta está no índice sem nota publicada. É a única entrada de pesos abertos entre os líderes.
Fonte ↗
O que Claude percebeu
Os quatro primeiros do índice da Artificial Analysis ficam dentro de 4,1 pontos, mas o custo por tarefa varia 29 vezes entre a melhor nota e o ponto de fronteira mais barato.
O índice v2.0 baixou as notas de 20 de 21 configurações medidas nas duas versões (média de 54,8 para 47,4), porque o FrontierCode da Cognition substituiu o DeepSWE.
O índice avalia modelo e ambiente juntos. O Claude Opus 5.5 no Claude Code é uma entrada diferente do mesmo modelo em outro ambiente.
A Arena diz que está dividindo o ‘melhor’ em tarefas, custos e intervalos de confiança. Agora informa o custo mediano por tarefa e a taxa de alucinação de ferramentas ao lado dos votos humanos.
🇺🇸 Nova10 posições · 2 notas
A mesma pergunta, respondida só por Nova. A lista final acima combina todas as IAs.
- 1Gemini 4 Carbon
Líder preliminar no placar de texto da Arena, com 1.520 Elo
Fonte ↗ - 2Claude Opus 5.5
1.509 Elo na Arena, o modelo mais acessível a estudantes entre os melhores
Fonte ↗ - 3GPT-6 Astra
1.773 Elo na Arena WebDev, um forte agente de programação
Fonte ↗ - 4Claude Sonnet 5.5
1.770 Elo na Arena WebDev
Fonte ↗ - 5GPT-6.1 Sol
1.751 Elo na Arena WebDev
Fonte ↗ - 6Claude Fable 5.1
1.504 Elo no placar de texto da Arena
Fonte ↗ - 7Meta Muse Wonder
1.507 Elo no placar de texto da Arena
Fonte ↗ - 8GPT-6.1 Sol + Codex
58,2% de acerto no benchmark de programação da Artificial Analysis
Fonte ↗ - 9Claude Fable 5.1 + Claude Code
57,9% de acerto no benchmark de programação da Artificial Analysis
Fonte ↗ - 10GPT-6 Astra + Codex
58,2% de acerto no benchmark de programação da Artificial Analysis
Fonte ↗
O que Nova percebeu
O Gemini 4 Carbon lidera os votos humanos preliminares, mas não está disponível publicamente, o que cria uma desigualdade de acesso
Os quatro primeiros modelos da Arena WebDev estão em empate estatístico (1.751 a 1.810 Elo)
🇨🇳 MiMo10 posições · 4 notas
A mesma pergunta, respondida só por MiMo. A lista final acima combina todas as IAs.
- 1Claude Code (Anthropic, 2026)
O único agente que lidera os dois placares que as pessoas realmente leem — 30,5% no voto humano às cegas e 58 a 62 em programação verificada — e cujo ajuste mais alto cobra $44,22 por tarefa para marcar dois pontos abaixo da própria configuração mais barata.
Fonte ↗ - 2OpenAI Codex (ChatGPT agent, 2026)
Faz 52 por $1,51 por tarefa — a mesma faixa de pontos no índice custa oito vezes mais no Claude Code, e é o dinheiro, não o gosto, que dá ao Codex a posição dele.
Fonte ↗ - 3Google Antigravity CLI / Gemini 4 (2026)
Primeiro nos placares que copiam trabalhos reais — 84,2% em trabalho de bancos, consultoria e direito, e $16.484 em um ano de negócio de máquinas de venda — mas fica só em terceiro no voto humano.
Fonte ↗ - 4Devin (Cognition, formerly Windsurf, 2026)
Empatou a maior nota de programação do Claude Code, 62, a $8,00 por tarefa, com uma fusão de dois modelos; e o SWE-2 faz 92,8% no Terminal-Bench 2.1 — a maior linha de modelo nesse placar.
Fonte ↗ - 5Muse Code (Meta, 2026)
Iguala a segunda maior nota verificada de programação, 59, com o único número que a Artificial Analysis ainda não consegue publicar: o preço.
Fonte ↗ - 6Kimi Code CLI (Moonshot AI, 2026)
Supera o Codex em trabalho de terminal, 67 a 58, por $2,94 por tarefa — depois gasta 185 turnos e 8,9 milhões de tokens para chegar lá, a faixa forte mais lenta do placar.
Fonte ↗ - 7GitHub Copilot Coding Agent (Copilot Fusion, 2026)
59,9 no índice de programação por $5,59 por tarefa — a dois pontos da faixa principal do Codex, vinda do agente que a maioria das tabelas simplesmente deixa de fora.
Fonte ↗ - 8DeepSeek Harness (DeepSeek, 2026)
$0,32 por tarefa — 48 vezes mais barato que a faixa mais cara do Claude Code — enquanto o mesmo modelo faz 90,6% no placar de modelos do Terminal-Bench.
Fonte ↗ - 9Grok Build (xAI, 2026)
62,9% em perguntas e respostas sobre repositórios contra 33,3% em tarefas de terminal — uma diferença de 30 pontos dentro de um mesmo agente, que nenhum concorrente mostra.
Fonte ↗ - 10OpenCode (open-source coding agent, 2026)
O harness gratuito de código aberto marca os mesmos 49 que o Kimi Code CLI e funciona com mais de 75 provedores de modelos com uma só chave — a faixa popular numa corrida de $1,51 a $44.
Fonte ↗
O que MiMo percebeu
Esforço máximo pode custar mais e render menos: o Claude Code com Fable 5.2 em máximo cobra $44,22 por tarefa para nota 56, enquanto o mesmo modelo em esforço alto faz 58 por $7,51 — seis vezes mais barato e dois pontos melhor.
O voto de gosto e os placares de trabalho real coroam agentes diferentes: o Claude Fable 5.2 lidera a Agent Arena por 11 pontos (30,5% contra 19,5%), mas o Gemini 4 Carbon vence o APEX-Agents (84,2%) e o Vending-Bench 2 ($16.484) — preferência, trabalho profissional e coerência de negócios são três habilidades diferentes.
Entre as configurações com 48 ou mais, o custo por tarefa varia cerca de 30 vezes — de $1,51 (Codex GPT-6.1 Sol) a $44,22 (Claude Code Fable 5.2 em máximo) —, então quatro pontos do índice hoje carregam um multiplicador de preço de cerca de 29 vezes; quem sabe escolher separa as faixas pela dificuldade da tarefa.
O harness é metade do agente: o Gemini 4 Argon marcou 40,7 de 105 bugs pelo Antigravity CLI, mas 33 de 105 pelo Gemini CLI no mesmo Bug Hunt Bench — e $7,16 contra $32,08 por rodada.
🇨🇳 StepFun10 posições · 4 notas
A mesma pergunta, respondida só por StepFun. A lista final acima combina todas as IAs.
- 1Claude Code + Opus 5.5 (Anthropic) 2026
Top 2 nos votos humanos às cegas e primeiro nos placares verificados de programação — a única pilha nos dois pódios, a $15,47 por tarefa.
Fonte ↗ - 2Claude Fable 5.2 Max agent 2026
Ganha 30,5% dos votos humanos às cegas — quase o dobro do segundo colocado —, mas os usuários confirmam sucesso só em 21,7% das vezes.
Fonte ↗ - 3OpenAI Codex + GPT-6.1 Sol 2026
58,2% no Terminal-Bench 4.0 por $1,92 por tarefa — metade da conta do Claude Code e metade do tempo de execução, por 6,6 pontos a menos.
Fonte ↗ - 4Gemini 4 Carbon High / Gemini CLI 2026
Terceiro em votos humanos e 63,6% no Terminal-Bench 4.0 como modelo — mas o harness de CLI dele fica quase no fim do composto da AA, com 43.
Fonte ↗ - 5Claude Sonnet 5.5 Max in Claude Code 2026
Mais sucessos confirmados (19,5%) do que votos (16,1%) — nesta pilha, a prova vence o gosto.
Fonte ↗ - 6GitHub Copilot agentic harness 2026
O único harness comparado com o Claude Code e o Codex em cinco placares ao mesmo tempo — e ganhou na contagem de tokens.
Fonte ↗ - 7Cognition Devin SWE-2 2026
81,5% com um humano na jogada, 45,8% sem — mesmo agente, duas tabelas de classificação bem diferentes.
Fonte ↗ - 8Cursor Composer 2.5 2026
O imposto do harness: o mesmo modelo custa $1,47 por tarefa no Cursor CLI, contra $1,24 no Claude Code.
Fonte ↗ - 9GLM-5.1 coding agent (in Claude Code) 2026
$2,26 por tarefa no topo de uma faixa de preço 30 vezes maior — pesos abertos com preço de fronteira, que revisores de código têm dificuldade em distinguir.
Fonte ↗ - 10Kimi K2.6 coding agent 2026
Pesos abertos, 300 subagentes em paralelo e um salto de 16 pontos no Terminal-Bench em uma só versão.
Fonte ↗
O que StepFun percebeu
O prêmio do gosto é mensurável: o Claude Fable 5.2 leva 30,48% dos votos às cegas na Arena, mas apenas 21,66% de sucesso confirmado — as pessoas gostam dele cerca de 9 pontos mais do que conseguem confirmar que funciona.
O preço é o eixo mais louco: o Artificial Analysis Coding Agent Index vai de $0,07 a $2,26 por tarefa — mais de 30 vezes — com qualidade de código quase igual, então a lista mais barata é outro esporte em relação à lista melhor.
No placar mais difícil de vários passos, ninguém vence: o artigo do GAIA2 na ICLR 2026 põe a fronteira em cerca de 42% de pass@1, com o GPT-5 (high) liderando com 42,1% e nenhum sistema dominando todas as capacidades — e o Claude custa mais por tarefa que o GPT-5 (high), apesar de menos tokens por passo.
O dinheiro está apostando na camada de orquestração: a LangChain captou $300 milhões a uma avaliação de $3 bilhões em 13 de novembro de 2026, liderada pela CapitalG — mais que o dobro da avaliação anterior.
🇨🇳 Kimi10 posições · 4 notas
A mesma pergunta, respondida só por Kimi. A lista final acima combina todas as IAs.
- 1Claude Code (Claude Opus 5.5, Max effort)
O único agente que fica no topo tanto do placar de votos humanos às cegas quanto do placar de programação verificada reavaliado no mesmo mês — primeiro com +20,14% na Arena Agents e 65,76% no Terminal-Bench 4.1.
Fonte ↗ - 2Devin Fusion CLI (Cognition)
A maior nota já publicada no placar da AA — 68, dois pontos acima do Claude Code — ao combinar um modelo principal de ponta com um parceiro barato, o GPT-6 Luna, com custo por tarefa 31% menor.
Fonte ↗ - 3GitHub Copilot (Copilot Fusion)
Metade do preço por tarefa do líder, com apenas dois pontos de diferença no índice — e a única entrada que lidera o Terminal-Bench 4.0 com 71.
Fonte ↗ - 4Claude Fable 5.2 (Claude Code)
Empata a liderança do Terminal-Bench com 65,8%, mas consome 15,7 bilhões de tokens — quase o dobro dos 8,0 bilhões do Opus 5.5 — para chegar ao mesmo número: prova sem parcimônia.
Fonte ↗ - 5GPT-6 Astra (OpenAI Codex)
Paga o maior valor por tarefa entre os agentes da OpenAI — $9,90 em esforço máximo — por 0,3 ponto a mais que a própria rodada xhigh de $7,12 no mesmo placar.
Fonte ↗ - 6Gemini 4 Argon / Carbon (Google Antigravity)
Vence o índice de inteligência (60) e fica em segundo nos votos humanos às cegas (16,72%) — mas o único número dela no Terminal-Bench é uma autodeclaração que o placar se recusa a classificar.
Fonte ↗ - 7GPT-6.1 Sol (OpenAI Codex)
O campeão de valor da fronteira: 93% da nota do Astra no Terminal-Bench por 19% do preço por tarefa — $1,92 contra $9,90.
Fonte ↗ - 8Claude Sonnet 5.5 (Claude Code)
Segundo no Terminal-Bench 4.1, mas a entrada mais cara entre as de topo nas rodadas 4.0 — $22,22 por tarefa, 19,4 bilhões de tokens e $7,3 mil para 63,9%.
Fonte ↗ - 9Kimi K3.1 Pro (Moonshot AI, open weights)
O outlier de pesos abertos: a 6 pontos da liderança do Terminal-Bench, a $3/$15 por milhão de tokens — mas 13 pontos abaixo do Opus no índice de inteligência.
Fonte ↗ - 10OpenCode + GLM-5.3 (open source)
O único harness de código aberto no Coding Agent Index da AA — 53,6 por $4,24 por tarefa — prova que o harness, e não só o modelo, é a vantagem competitiva.
Fonte ↗
O que Kimi percebeu
Gosto, prova e preço coroam três campeões diferentes: o Claude Opus 5.5 vence os votos humanos às cegas (+20,14% na Arena Agents), a liderança do índice da AA trocou de mãos entre o Claude Code e o Devin Fusion (68 na foto de 21 de outubro), e o GPT-6.1 Sol vence em custo por tarefa ($1,92 com 58,2% no Terminal-Bench 4.0).
A diferença no GAIA entre resultados verificados e autodeclarados é de cerca de 20 pontos: o melhor verificado no placar do Princeton HAL é 74,55% (custo total de $178,20), enquanto as autodeclarações anônimas no placar aberto chegam a 94,35% — e em abril de 2026 um agente de exploração da Universidade da Califórnia em Berkeley fez cerca de 98% no GAIA sem resolver uma única tarefa.
O GAIA2 redefine as expectativas sobre alegações de ‘agentic’: no mundo dinâmico da Meta, em que o tempo não para, o líder (GPT-5 em raciocínio alto) passa só 42,1% dos cenários, e o melhor modelo aberto (Kimi-K2) chega a cerca de 20%.
O dinheiro flui para a camada de orquestração, não para os modelos: em 13 de novembro de 2026, a LangChain captou $300 milhões a uma avaliação de $3 bilhões — poucos dias depois de o Devin Fusion e o Copilot Fusion mostrarem que rotear entre vários modelos já é o produto.
🇨🇳 DeepSeek10 posições · 4 notas
A mesma pergunta, respondida só por DeepSeek. A lista final acima combina todas as IAs.
- 1Claude Code with Claude Fable 5.2
O Fable 5.2 lidera a Arena com 30,35% e empata a liderança de programação com 58 — mas a rodada xhigh dele custa $15,47, dez vezes os $1,50 do Codex.
Fonte ↗ - 2Gemini 4 Carbon in Antigravity CLI
O Carbon vence o CursorBench com 60,4% por $9,22, enquanto o modelo mais bem colocado da Arena faz 60,0% nas mesmas tarefas de vários arquivos por $32,79.
Fonte ↗ - 3Claude Code with Claude Opus 5.5
O Opus 5.5 foi o primeiro colocado da Arena e a referência de 61,7 pontos do índice de programação — a $11,42 por tarefa não é o mais barato nem o mais caro da fronteira.
Fonte ↗ - 4GitHub Copilot Fusion
O Fusion faz 59,9 por $5,59 e lidera o Terminal-Bench com 71,2 — dois pontos atrás do Claude Code, por metade do preço.
Fonte ↗ - 5Devin Fusion CLI
O Devin Fusion fica com 61,5 a $8,00, só 0,2 ponto atrás do Claude Code com o Opus 5.5, usando 10,46 milhões de tokens em vez de 14,52 milhões.
- 6OpenAI Codex with GPT-6.1 Sol
O Codex com GPT-6.1 Sol cede seis pontos do índice aos líderes, mas custa $1,50 — 7,6 vezes menos que o Claude Code em esforço máximo.
Fonte ↗ - 7Claude Code with Claude Sonnet 5.5
O Sonnet 5.5 fica em quarto na Arena com 15,95%, mas seu custo de $13,30 por tarefa de programação é maior que os $5,59 do Copilot Fusion para uma nota parecida.
Fonte ↗ - 8OpenAI Codex with GPT-6 Astra
O Astra fica em sexto na Arena com 14,54% e custa $7,04 no índice de programação — mais barato que o Opus 5.5, mas atrás nas integrações verificadas.
Fonte ↗ - 9Kimi K3.1 Pro agent
O Kimi lidera o Terminal-Bench 4.1 com 68% e custa cerca de $5,27 por tarefa, mas os votantes da Arena o colocam em 11º, com 5,2%.
Fonte ↗ - 10Claude Code with Claude Fable 5.1
O Fable 5.1 é quinto na Arena com 14,82% e custa $17,28 nas tarefas de vários arquivos do CursorBench — ainda é de ponta, só que não é mais a manchete.
Fonte ↗
O que DeepSeek percebeu
Dois vencedores diferentes na mesma semana: a publicação da Arena de 11 de novembro pôs o Fable 5.2 em primeiro, com 30,35%, enquanto o CursorBench 4.0 pôs o Gemini 4 Carbon em primeiro, com 60,4% — a posição de um modelo depende de qual distribuição de tarefas o placar amostra.
A maior nota de programação e a menor ficam separadas por 29 vezes: o Fable 5.2 em esforço máximo custa $44,22 por tarefa no índice da AA, enquanto o Codex GPT-6.1 Sol custa $1,51.
O Copilot Fusion termina uma tarefa de programação em 36,1 minutos contra 61,0 do Claude Code — 41% mais rápido e 51% mais barato, mas dois pontos abaixo na nota composta.
O efeito do harness no GAIA é maior que a maioria das diferenças entre modelos: o mesmo modelo pode fazer 44% puro e 74% dentro de uma estrutura de agente bem feita, uma diferença de 30 pontos.
🇨🇳 Wenxin10 posições · 4 notas
A mesma pergunta, respondida só por Wenxin. A lista final acima combina todas as IAs.
- 1Claude Opus 5.5 (Anthropic 2026)
Empata com a melhor nota do Terminal-Bench 4.0, com 65,15%, e tem 1.512 Elo na LMArena
Fonte ↗ - 2Claude Fable 5.2 (Anthropic 2026)
Primeiro na Agent Arena, com +30,48 de ganho líquido de usuários, igualando os 65,15% do Terminal-Bench
Fonte ↗ - 3Claude Sonnet 5.5 (Anthropic 2026)
Primeiro no APEX-Agents, com 75,5%, a $5/$5/$25 por milhão de tokens — melhor valor entre os de topo
Fonte ↗ - 4Atria Dawn Preview (Shanghai AI Lab 2026)
Pontuação agêntica verificada de 92,5/100 no BenchLM — o melhor agente global de pesos abertos
Fonte ↗ - 5Kimi K3.1 Pro (Moonshot AI 2026)
Quarto no Terminal-Bench 4.0, com 63,64% — o melhor agente de programação de pesos abertos
Fonte ↗ - 6Gemini 4 Carbon (Google 2026)
Terceiro na Agent Arena, com +16,90, a 1,46 por tarefa, com a execução P50 mais rápida: 10 min
Fonte ↗ - 7GPT-5.6 Sol (OpenAI 2026)
1.514 Elo na LMArena, 3 vezes a pontuação no ARC-AGI-3 com o raciocínio retido ativado
Fonte ↗ - 8Gemini 4 Argon (Google 2026)
Menor custo na Agent Arena: 0,712 por tarefa, com execução P50 de 7 min
Fonte ↗ - 9DeepSeek V4 Pro (DeepSeek 2026)
Melhor no Terminal-Bench Hard, a $1,74/$1,74/$3,48 por milhão de tokens — o melhor valor em programação de pesos abertos
Fonte ↗ - 10Muse Code + Muse Wonder (Meta 2026)
91,6% no FuncPass, em primeiro, e 25,1% no SecPass, em sétimo — a maior diferença entre Func e Sec já medida
Fonte ↗
O que Wenxin percebeu
Os três primeiros agentes Claude marcam todos ≥64% no Terminal-Bench 4.0, um patamar que nenhum outro fornecedor alcança
Ativar duas configurações simples da API triplicou a nota do GPT-5.6 Sol no ARC-AGI-3 e cortou os tokens de saída em 6 vezes
O Muse Wonder registrou a maior diferença já medida entre FuncPass e SecPass, com razão de 27,4%
A faixa mais difícil do Agents’ Last Exam segue com taxa de aprovação total abaixo de 1% em todos os sistemas convencionais
🇨🇳 Qwen10 posições · 3 notas
A mesma pergunta, respondida só por Qwen. A lista final acima combina todas as IAs.
- 1Claude Code with Opus 5.5
Lidera o Coding Agent Index da Artificial Analysis com 61,7 e ancora as faixas de topo da Agent Arena sem o sobrepreço do Fable.
Fonte ↗ - 2Claude Fable 5.2 (Max)
Lidera os votos humanos às cegas da Agent Arena, com taxa de vitória de 30,48%, mas custa cerca de 2,6 vezes mais que o Opus 5.5 pela vantagem.
Fonte ↗ - 3Gemini 4 Carbon
Faz 59 no Coding Agent Index por exatamente metade do preço de API do Claude Opus 5.5, o que o torna o rei da eficiência.
Fonte ↗ - 4GPT-6 Sol
Fica em segundo no ranking de trabalho da Agent Arena e tem média de $2,99 por tarefa no Coding Agent Index.
Fonte ↗ - 5GitHub Copilot Fusion
Orquestra modelos da OpenAI e da Anthropic para ficar só 2 pontos abaixo do Opus 5.5, com metade do custo por tarefa.
Fonte ↗ - 6Sage-A1.5
Empata na melhor nota verificada do placar independente GAIA do Princeton HAL, com 95,1%, e também tem bons números na Artificial Analysis.
Fonte ↗ - 7CustomGPT.ai Research Lab v44
Domina o benchmark GAIA de assistentes de vários passos, com taxa de sucesso de 97,85% no placar oficial da Hugging Face.
- 8Gemini 4 Hydrogen (High)
Estreou em quinto na Agent Arena, com +14,8% de ganho líquido em 6.500 sessões agênticas reais.
Fonte ↗ - 9OpenAI Codex (GPT-5.6 Sol)
Fez 80 pontos no Coding Agent Index em julho, à frente do harness da OpenAI antes da divisão do SWE-bench Verified.
Fonte ↗ - 10Devin
O engenheiro de software autônomo da Cognition continua presente nas comparações da Agent Arena e do GAIA, apesar do preço por hora alto.
Fonte ↗
O que Qwen percebeu
A orquestração multiagente está superando os modelos de fronteira puros em preço por desempenho. O GitHub Copilot Fusion orquestra modelos da OpenAI e da Anthropic para ficar só 2 pontos abaixo do Claude Opus 5.5 e cortar o custo por tarefa pela metade.
A diferença entre ‘gosto’ e ‘prova’ é enorme. O Claude Fable 5.2 vence os votos humanos às cegas na Agent Arena com taxa de 30,48%, mas custa 2,6 vezes mais que o Opus 5.5 por ganhos marginais na conclusão verificada de tarefas.
A avaliação de $3 bilhões da LangChain (com captação de $300 milhões em 13 de novembro de 2026) reflete a mudança do mercado de modelos isolados para frameworks de orquestração — exatamente a tecnologia por trás de economias multiagente como o GitHub Copilot Fusion.