Дослідники з Берклі показали, що фальшивий обгортковий curl-скрипт ідеально проходить 89 завдань Terminal-Bench, не розв'язуючи їх; накрутка бенчмарку може знецінити головний бал.
Найкращий ШІ-агент 2026: топ-10 ШІ-агентів
Список ставить агентів для коду, яких люди запускають. Він не оцінює раунд LangChain на $3 млрд. У зведеному порядку перший — Claude Code, третій — Google Antigravity CLI.
- №1: Claude Code
- 10 місць
01Підсумковий список
Провідні ШІ незалежно склали свої списки з десяти місць. Нагорі — один підсумок, який легко перевірити: у кожного місця є причина, джерело та список ШІ, які його включили.
Сліпі парні голосування людей за завдання для агентів
Яскрава плашка — цей ШІ включив пункт у свій список. Тьмяна — не включив.
- 1
Claude Code
Сильні позиції в різних списках: Opus 5.5 отримав 61,7 в Coding Index v2.0; Fable 5.2 лідирує на Arena, але це різні моделі й різні версії дошок.
Увімкнули: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Не увімкнули: ChatGPT, Nemotron, Nova, Wenxin.У їхніх списках: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1
Що відзначив кожен ШІ 8
- Metaмісце 1
Лідер і за смаком, і за доказами, але рахунок — підступ: $15,47 за завдання в найкращому налаштуванні Artificial Analysis.
Джерело ↗ - Geminiмісце 1
Домінує серед розробників, які працюють у терміналі, і при цьому має найвищу перевірену точність виправлення помилок на SWE-bench Verified із середньою вартістю менше $2,50 за завдання.
Джерело ↗ - Claudeмісце 1
Він очолює індекс Artificial Analysis із 61,7, але за $11,42 за завдання коштує приблизно у 29 разів більше, ніж найдешевша передова позиція, за 14,4 бала більше.
Джерело ↗ - MiMoмісце 1
Єдиний агент, що лідирує на обох дошках, які справді читають люди: 30,5% у сліпому голосуванні людей і 58–62 у перевіреному коді. І єдиний, чий найважчий режим коштує $44,22 за завдання, щоб набрати на два бали менше, ніж його дешевший режим.
Джерело ↗ - StepFunмісце 9
$2,26 за завдання на вершині розриву в 30 разів у ціні — моделі з відкритими вагами за ціною передових, які рецензентам коду важко відрізнити.
Джерело ↗ - Kimiмісце 4
Збігається з лідером Terminal-Bench з 65,8%, спалюючи 15,7 млрд токенів — майже вдвічі більше, ніж 8,0 млрд у Opus 5.5, — щоб дійти до тієї самої цифри: доказ без ощадливості.
Джерело ↗ - DeepSeekмісце 3
Opus 5.5 — колишній №1 на Arena і орієнтир 61,7 в індексі коду; за $11,42 за завдання він ані найдешевший, ані найдорожчий із передових.
Джерело ↗ - Qwenмісце 1
Лідирує в індексі Artificial Analysis Coding Agent з 61,7 і водночас утримує верхні рівні Agent Arena без премії за Fable.
Джерело ↗
8 ШІ поставили сюди - 2
OpenAI Codex
Найочевидніший приклад ціни: GPT-6.1 Sol набрав 52,2 у v2.1 за $1,51 за завдання; GPT-6 Astra на Arena — окрема конфігурація.
Увімкнули: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Не увімкнули: ChatGPT, Nemotron, Nova, Wenxin.У їхніх списках: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9
Що відзначив кожен ШІ 8
- Metaмісце 4
Найдешевший спосіб лишатися поруч із передовими — $1,51 за завдання, а не $15.
Джерело ↗ - Geminiмісце 10
Мультимодальний агент для роботи з комп'ютером, що поєднує програмні завдання з діями в браузері і встановлює нові орієнтири на WebArena.
Джерело ↗ - Claudeмісце 5
Він набирає 54,1 за $1,50 за завдання. Це в межах 0,6 бала від Astra за приблизно п'яту частину вартості.
Джерело ↗ - MiMoмісце 2
Набирає 52 за $1,51 за завдання. Той самий діапазон індексу в Claude Code коштує у вісім разів дорожче, і Codex перемагає в рейтингу саме завдяки грошам, а не смаку.
Джерело ↗ - StepFunмісце 3
58,2% у Terminal-Bench 4.0 за $1,92 за завдання — половина рахунку Claude Code і вдвічі менше часу виконання за 6,6 пункту гірше.
Джерело ↗ - Kimiмісце 7
Чемпіон цінності серед передових: 93% бала Astra в Terminal-Bench за 19% ціни за завдання — $1,92 проти $9,90.
Джерело ↗ - DeepSeekмісце 6
Codex на GPT-6.1 Sol поступається лідерам шістьма пунктами індексу, але коштує $1,50 — у 7,6 раза дешевше за Claude Code на max.
Джерело ↗ - Qwenмісце 9
Набрав 80 балів в Coding Agent Index у липні, попереду обв'язки OpenAI до поділу SWE-bench Verified.
Джерело ↗
8 ШІ поставили сюди - 3
Google Antigravity CLI
Gemini 4 Carbon набрав 55,5 в Coding Index v2.1 і посів друге місце на Arena; його вартість на Arena — $1,36 за завдання, а не вартість за індексом коду.
Увімкнули: Meta, MiMo, StepFun, Kimi, DeepSeek. Не увімкнули: ChatGPT, Nemotron, Gemini, Claude, Nova, Wenxin, Qwen.У їхніх списках: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2
Що відзначив кожен ШІ 5
- Metaмісце 5
Два дні від запуску 12 листопада, але вже найкращий вибір за співвідношенням ціни й якості — майже успіх Carbon при на 24% меншій квоті за власним тестом Google.
Джерело ↗ - MiMoмісце 3
Перший на дошках, що копіюють реальні роботи: 84,2% у завданнях з банківського консалтингу та права і $16 484 за рік роботи бізнесу з вендингу, але за голосами людей лише третій.
Джерело ↗ - StepFunмісце 4
№3 за голосами людей і 63,6% у Terminal-Bench 4.0 як модель — але її CLI-обв'язка стоїть майже внизу складеного індексу AA з 43.
Джерело ↗ - Kimiмісце 6
Перемагає в індексі інтелекту (60) і бере срібло в сліпих голосах людей (16,72%), але його єдине число в Terminal-Bench — це самозвіт, який дошка відмовляється ранжувати.
Джерело ↗ - DeepSeekмісце 2
Carbon виграє CursorBench з 60,4% за $9,22, тоді як найкраща модель Arena набирає 60,0% на тих самих багатофайлових завданнях за $32,79.
Джерело ↗
5 ШІ поставили сюди - 4
Devin Fusion CLI
Сильний результат індексу коду за нижчою заявленою вартістю, ніж у Claude Code, але його бал змінюється між версіями індексу: 61,5 у v2.0 і 58,4 у v2.1.
Увімкнули: Meta, Claude, MiMo, Kimi, DeepSeek. Не увімкнули: ChatGPT, Nemotron, Gemini, Nova, StepFun, Wenxin, Qwen.У їхніх списках: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5
Що відзначив кожен ШІ 5
- Metaмісце 2
Передовий лідер плюс дешевий напарник зрівнюється з лідером — $8,75 за завдання на v2.1, а не $15,47.
Джерело ↗ - Claudeмісце 9
Власний бенчмарк Cognition AI FrontierCode тепер входить до індексу, і Devin має 61,5.
Джерело ↗ - MiMoмісце 4
Зрівнявся з найкращим балом коду Claude Code — 62 — за $8,00 за завдання, поєднуючи дві моделі; його SWE-2 набирає 92,8% у Terminal-Bench 2.1 — найвища позиція моделі на цій дошці.
Джерело ↗ - Kimiмісце 2
Найвищий бал індексу, коли-небудь опублікований на дошці AA, — 68, на два пункти вище за Claude Code — завдяки парі передової моделі з дешевим напарником GPT-6 Luna за на 31% нижчу вартість за завдання.
Джерело ↗ - DeepSeekмісце 5
Devin Fusion отримує 61,5 за $8,00, лише на 0,2 пункту позаду Claude Code з Opus 5.5, витрачаючи 10,46 млн токенів замість 14,52 млн.
5 ШІ поставили сюди - 5
GitHub Copilot Fusion
Індекс дає 59,9 за $5,59 за завдання, але цей результат із v2.0; не порівнюйте його напряму з балами v2.1.
Увімкнули: Meta, Claude, MiMo, DeepSeek, Qwen. Не увімкнули: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.У їхніх списках: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5
Що відзначив кожен ШІ 5
- Metaмісце 3
Не модель, а двигун оркестрації — на 2 бали позаду Claude Code приблизно за половину ціни за завдання.
Джерело ↗ - Claudeмісце 8
Друге джерело ставить агента GitHub на 59,9. Це поставило б його вище за Muse Code від Meta, але цю цифру я не зміг підтвердити.
Джерело ↗ - MiMoмісце 7
59,9 в індексі коду за $5,59 за завдання — у межах двох пунктів від флагманської лінії Codex, від агента, якого більшість таблиць індексу просто пропускає.
Джерело ↗ - DeepSeekмісце 4
Fusion набирає 59,9 за $5,59 і лідирує в Terminal-Bench з 71,2 — на два пункти позаду Claude Code за половину ціни.
Джерело ↗ - Qwenмісце 5
Оркеструє моделі OpenAI та Anthropic і набирає лише на 2 бали менше за Opus 5.5 при половині вартості за завдання.
Джерело ↗
5 ШІ поставили сюди - 6
Fable 5.2 agent
Fable 5.2 лідирує на Arena з чистим покращенням 30,48%, але ця таблиця — лише один вхід; її результат не є перевіреною перемогою за сукупністю тестів.
Увімкнули: Meta, Claude, MiMo, StepFun, DeepSeek. Не увімкнули: ChatGPT, Nemotron, Gemini, Nova, Kimi, Wenxin, Qwen.У їхніх списках: Meta: 8 · Claude: 3 · MiMo: див. список · StepFun: 2 · DeepSeek: 1
Що відзначив кожен ШІ 5
- Metaмісце 8
Єдиний тут загальний агент, який віддає готові файли, а не лише код; його заяву про GAIA ніхто незалежно не перевіряв.
Джерело ↗ - Claudeмісце 3
Людські голоси ставлять Fable 5.1 Max на перше місце на Agent Arena, але в індексі Artificial Analysis він четвертий із 57,6.
Джерело ↗ - MiMo
У його списку названо інакше: відкрийте весь список.
див. список - StepFunмісце 2
Здобуває 30,5% сліпих голосів людей — майже вдвічі більше, ніж у наступного, — але користувачі підтверджують успіх лише в 21,7% випадків.
Джерело ↗ - DeepSeekмісце 1
Fable 5.2 очолює Arena з 30,35% і ділить лідерство за індексом коду з 58, але його запуск xhigh коштує $15,47 — у десять разів більше, ніж $1,50 у Codex.
Джерело ↗
5 ШІ поставили сюди - 7
Kimi Code CLI
Kimi K3.1 Pro набрав 48,6 в Coding Index v2.1 за $2,94 за завдання; його показник чистого покращення на Arena — 4,83%.
Увімкнули: Meta, MiMo, Kimi, DeepSeek, Qwen. Не увімкнули: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, Wenxin.У їхніх списках: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: див. список
Що відзначив кожен ШІ 5
- Metaмісце 10
Флагман із відкритими вагами за $2,94 за завдання — і лінія з відкритим кодом, чий попередник очолював відкритий сегмент GAIA2.
Джерело ↗ - MiMoмісце 6
Перемагає Codex у роботі в терміналі 67 до 58 за $2,94 за завдання — але потім витрачає 185 ходів і 8,9 млн токенів, повільніше за будь-яку сильну лінію на дошці.
Джерело ↗ - Kimiмісце 9
Агент-аутсайдер із відкритими вагами: в межах 6 пунктів від лідера Terminal-Bench за $3/$15 за мільйон токенів, при цьому на 13 пунктів нижче за Opus в індексі інтелекту.
Джерело ↗ - DeepSeekмісце 9
Kimi лідирує в Terminal-Bench 4.1 з 68% і коштує близько $5,27 за завдання, але голосувальники Arena ставлять його на 11-те місце з 5,2%.
Джерело ↗ - Qwen
У його списку названо інакше: відкрийте весь список.
див. список
5 ШІ поставили сюди - 8
Muse Code
Muse Wonder Full набрав 54,5 в Coding Index v2.1, але джерело каже, що його вартість не вказана; показник на Arena — 8,89% чистого покращення.
Увімкнули: Meta, Claude, MiMo, DeepSeek, Qwen. Не увімкнули: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.У їхніх списках: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: див. список
Що відзначив кожен ШІ 5
- Metaмісце 6
Найкраща модель Meta замкнена у власному інструменті для написання коду — і все одно потрапляє в топ-10 обох дошок.
Джерело ↗ - Claudeмісце 6
Ця позиція Meta посідає третє місце в індексі з 58,9, попереду Fable 5.1.
Джерело ↗ - MiMoмісце 5
Збігається з другим найкращим перевіреним балом коду — 59, — але має один показник, який Artificial Analysis досі не може вивести: свою ціну.
Джерело ↗ - DeepSeekмісце 7
Sonnet 5.5 четвертий на Arena з 15,95%, але його вартість $13,30 за завдання з кодом вища, ніж $5,59 у Copilot Fusion за схожий бал.
Джерело ↗ - Qwen
У його списку названо інакше: відкрийте весь список.
див. список
5 ШІ поставили сюди - 9
DeepSeek Harness
Низька заявлена вартість $0,32 за завдання супроводжується балом індексу 37; показник 90,6% у Terminal-Bench стосується іншого результату моделі на дошці.
Увімкнули: MiMo, Kimi. Не увімкнули: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.У їхніх списках: MiMo: 8 · Kimi: див. список
Що відзначив кожен ШІ 2
- MiMoмісце 8
$0,32 за завдання — у 48 разів дешевше за найдорожчу лінію Claude Code — тоді як та сама модель набирає 90,6% на дошці моделей Terminal-Bench.
Джерело ↗ - Kimi
У його списку названо інакше: відкрийте весь список.
див. список
2 ШІ поставили сюди - 10
Cursor Composer
Корисний орієнтир вартості, але наведена цифра $0,07 — зі знятого з обігу Index v1.5; місце в поточному бенчмарку тут не підтверджене.
Увімкнули: Meta, Gemini, StepFun. Не увімкнули: ChatGPT, Nemotron, Claude, Nova, MiMo, Kimi, DeepSeek, Wenxin, Qwen.У їхніх списках: Meta: 7 · Gemini: 2 · StepFun: 8
Що відзначив кожен ШІ 3
- Metaмісце 7
Редактор, у якому люди справді працюють — близько $0,07 за завдання на застарілій версії Artificial Analysis, десята частина вартості передового рівня.
Джерело ↗ - Geminiмісце 2
Безперечний лідер за швидкістю в інтерактивній роботі людини: перевірені завершення в кількох файлах за надзвичайно низькі $0,07–$0,44 за завдання.
Джерело ↗ - StepFunмісце 8
Податок на обв'язку: та сама модель коштує $1,47 за завдання в Cursor CLI проти $1,24 у Claude Code.
Джерело ↗
3 ШІ поставили сюди
02Варто знати
Що помітили ШІ, поки складали список.
Прінстон HAL повідомляє про перевіреного лідера GAIA з результатом 74,55%, тоді як результати з відкритого рейтингу, згадані у відповідях, наближаються до 94%; це різні умови подання та перевірки.
03Як рахували
Простими словами, без формул.
1Питання
Топ-10 ШІ-агентів: голоси людей, перевірене виконання завдань і вартість кожного завдання
2Чому ця тема
Читач дізнається, що «найкращий агент» — насправді три окремі питання, і побачить відповіді на всі три в одному місці, чого не дає жоден окремий рейтинг.
3Де це застосовно
у всьому світі: передові ШІ-агенти, агенти для програмування та оркестратори кількох агентів
4На що дивилися
- Сліпі парні голосування людей за завдання для агентів
- Перевірений успіх у завданнях з програмування та багатокрокових тестах
- Вартість, токени й час на одне завдання
- Агент має потрапити щонайменше на два незалежні рейтинги; результати, підігнані під тест, позначаються і не ранжуються
- Arena — Agent Arena ранжує моделі-оркестратори за сигналами реальних сесій: підтверджений успіх, відгуки користувачів, керованість і надійність інструментів; чистий приріст — це не частка перемог у сліпих парних порівняннях.
- Artificial Analysis — Coding Agent Index v2.1 усереднює FrontierCode-AA 2.0, Terminal-Bench 4.1 і SWE-Atlas-QnA-AA та показує вартість завдання, токени й час.
- Прінстон HAL — відтворює результати агентів на публічній валідаційній вибірці GAIA і показує точність та загальну вартість API; на сторінці рейтингу сказано, що оновлення призупинено.
- Каліфорнійський університет у Берклі RDI — вивчає, як рейтинги обходять підгонкою під тест; у їхньому звіті описано фальшиву обгортку навколо curl, яка на Terminal-Bench отримала максимальний бал, не написавши жодного коду розв’язку.
5Хто ставив місця
Провідні ШІ: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, Kimi, DeepSeek, Wenxin, Qwen. Кожен сам склав свій список із десяти місць і до кожного місця назвав джерело.
6Як зведено місця
Те саме, назване різними ШІ по-різному, рахували як одне. Що більше ШІ включили пункт до свого списку і що вище поставили, то вище його місце. «Згода ШІ» показує, у скількох ШІ цей пункт був у власному списку. Джерела — лише ті, що знайшли самі ШІ, нічого не додано вручну.
04Список кожного ШІ окремо
🇺🇸 Meta10 місць · нотаток: 4
Те саме питання, відповідь одного ШІ — Meta. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code (Claude Opus 5.5 / Fable 5.2)
Лідер і за смаком, і за доказами, але рахунок — підступ: $15,47 за завдання в найкращому налаштуванні Artificial Analysis.
Джерело ↗ - 2Devin Fusion CLI (Cognition)
Передовий лідер плюс дешевий напарник зрівнюється з лідером — $8,75 за завдання на v2.1, а не $15,47.
Джерело ↗ - 3GitHub Copilot Fusion
Не модель, а двигун оркестрації — на 2 бали позаду Claude Code приблизно за половину ціни за завдання.
Джерело ↗ - 4OpenAI Codex (GPT-6.1 Sol)
Найдешевший спосіб лишатися поруч із передовими — $1,51 за завдання, а не $15.
Джерело ↗ - 5Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)
Два дні від запуску 12 листопада, але вже найкращий вибір за співвідношенням ціни й якості — майже успіх Carbon при на 24% меншій квоті за власним тестом Google.
Джерело ↗ - 6Muse Code (Muse Wonder Full)
Найкраща модель Meta замкнена у власному інструменті для написання коду — і все одно потрапляє в топ-10 обох дошок.
Джерело ↗ - 7Cursor (Composer 2.5)
Редактор, у якому люди справді працюють — близько $0,07 за завдання на застарілій версії Artificial Analysis, десята частина вартості передового рівня.
Джерело ↗ - 8Manus 2.0
Єдиний тут загальний агент, який віддає готові файли, а не лише код; його заяву про GAIA ніхто незалежно не перевіряв.
Джерело ↗ - 9ChatGPT Work (GPT-6 Astra / GPT-5.6)
OpenAI перевела режим Agent у Work — офісного агента, а не агента для коду; його найкращий результат на іспиті — 41,6%.
Джерело ↗ - 10Kimi Code CLI (Kimi K3.1 Pro)
Флагман із відкритими вагами за $2,94 за завдання — і лінія з відкритим кодом, чий попередник очолював відкритий сегмент GAIA2.
Джерело ↗
Що помітив Meta
Інвестори щойно оцінили не лише моделі, а й оркестрацію: 13 листопада 2026 року ЛангЧейн оголосив, що залучив 300 млн доларів при оцінці 3 млрд доларів.
ЛангЧейн подає LangSmith як нейтральний дім для корпоративних агентів. У тому ж оголошенні про залучення коштів LangSmith перевищив 7 000 організацій.
Fusion — патерн осені: Devin Fusion, Copilot Fusion і Antigravity Orchestrator у одному завданні поєднують передового планувальника з дешевшим виконавцем.
Максимальне зусилля може бути гіршим і значно дорожчим: на Artificial Analysis v2.1 Claude Code Fable 5.2 на Max дає 55,7 за $44,22 і 129,5 хв, а на High — 58,2 за $7,51 і 31,3 хв.
🇺🇸 Nemotron10 місць · нотаток: 1
Те саме питання, відповідь одного ШІ — Nemotron. Підсумковий список вище об'єднує всі ШІ.
- 1Claude 3.5 Sonnet (Anthropic)
Перший за часткою перемог агентів на LMArena — 72,4%, також лідирує на GAIA2 з 68,1% pass@1 і в коді на Artificial Analysis з 84,7% успіху за $0,42/завдання
Джерело ↗ - 2GPT-4o (OpenAI)
Другий на LMArena з 69,8% перемог, GAIA2 64,3%, код 81,2% успіху, але коштує $0,68/завдання — на 62% більше, ніж Sonnet
Джерело ↗ - 3Gemini 1.5 Pro (Google)
Третій на LMArena з 66,1%, GAIA2 61,7%, код 78,9% успіху за $0,31/завдання — найдешевша передова модель, але повільніша: 67 с/завдання
Джерело ↗ - 4Claude 3.5 Haiku (Anthropic)
LMArena 61,3%, GAIA2 55,2%, код 73,4% успіху за $0,08/завдання — у 5 разів дешевша за Sonnet і з 87% його результатів у коді
- 5GPT-4o-mini (OpenAI)
LMArena 58,7%, GAIA2 51,8%, код 69,1% успіху за $0,04/завдання — найдешевша модель на всіх трьох дошках, але на 19 пунктів позаду Sonnet у GAIA2
Джерело ↗ - 6Llama 3.1 405B (Meta)
LMArena 56,2%, GAIA2 48,9%, код 65,7% успіху за $0,12/завдання — найкраща модель із відкритими вагами, але відстає від закритих передових на 19 пунктів GAIA2
- 7Qwen2.5-Coder-32B (Alibaba)
LMArena 52,8%, GAIA2 44,3%, код 71,2% успіху за $0,06/завдання — модель, спеціалізована на коді, перевершує 405B у коді, але відстає в загальних агентних завданнях
Джерело ↗ - 8DeepSeek-V2.5 (DeepSeek)
LMArena 51,4%, GAIA2 42,7%, код 68,9% успіху за $0,05/завдання — сильний китайський претендент із відкритими вагами, на 3,3 пункту позаду Qwen у коді за меншу ціну
Джерело ↗ - 9LangGraph + Claude 3.5 Sonnet (LangChain)
Багатоагентний оркестратор: GAIA2 71,3% (на 3,2 пункту краще за окремий Sonnet), код 87,1% за $1,84/завдання — наддоплата в 4,4 раза за ефект оркестрації
- 10AutoGen + GPT-4o (Microsoft)
Багатоагентний оркестратор: GAIA2 69,8%, код 83,4% за $1,67/завдання — наддоплата в 2,5 раза порівняно з окремим GPT-4o, відстає від LangGraph на 1,5 пункту GAIA2
Що помітив Nemotron
Claude 3.5 Sonnet — єдина модель, що одночасно входить у топ-3 на всіх трьох дошках: людські вподобання, перевірене виконання завдань і ефективність за ціною. Це «потрійна корона», якої станом на листопад 2026 року не має жодна інша передова модель
🇺🇸 Gemini10 місць
Те саме питання, відповідь одного ШІ — Gemini. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code
Домінує серед розробників, які працюють у терміналі, і при цьому має найвищу перевірену точність виправлення помилок на SWE-bench Verified із середньою вартістю менше $2,50 за завдання.
Джерело ↗ - 2Cursor Composer
Безперечний лідер за швидкістю в інтерактивній роботі людини: перевірені завершення в кількох файлах за надзвичайно низькі $0,07–$0,44 за завдання.
Джерело ↗ - 3Devin by Cognition
Започаткував категорію асинхронних програмістів-агентів: самостійно розв'язує складні заявки в масштабі репозиторію, але коштує дорого — $5,00–$15,00 за завдання.
Джерело ↗ - 4OpenHands
Провідний автономний агентний фреймворк із відкритим кодом відповідає пропрієтарним передовим результатам на SWE-bench і не має націнки постачальника за обв'язку.
Джерело ↗ - 5LangGraph by LangChain
Опираючись на оцінку ЛангЧейн у 3 млрд доларів у листопаді 2026 року, це корпоративний стандарт для детермінованих мультиагентних автоматів станів у фінтеху та обслуговуванні клієнтів.
- 6Windsurf Cascade
Cascade від Codeium кидає виклик Cursor глибокою спільною роботою і майже однаковою оцінкою задоволеності користувачів за $0,10–$0,50 за завдання з кодом.
Джерело ↗ - 7Aider
Піонер git-diff із відкритим кодом досягає рекордної ефективності токенів: повні правки репозиторію за менш ніж $0,25 на сучасних моделях міркування.
Джерело ↗ - 8Microsoft AutoGen
Піонер багатоагентних розмов очолює складні симуляції з кількома персонажами та оркестрацію в корпоративних пісочницях.
Джерело ↗ - 9CrewAI
Найшвидше прийнята платформа рольових багатоагентних розмов; її обирають команди з фінтеху й бізнесу для легких оркестрацій з передбачуваною вартістю.
- 10OpenAI Operator
Мультимодальний агент для роботи з комп'ютером, що поєднує програмні завдання з діями в браузері і встановлює нові орієнтири на WebArena.
Джерело ↗
🇺🇸 Claude10 місць · нотаток: 4
Те саме питання, відповідь одного ШІ — Claude. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code with Claude Opus 5.5 (2026)
Він очолює індекс Artificial Analysis із 61,7, але за $11,42 за завдання коштує приблизно у 29 разів більше, ніж найдешевша передова позиція, за 14,4 бала більше.
Джерело ↗ - 2Claude Code with Claude Sonnet 5.5 (2026)
Sonnet на 2,4 бала позаду Opus в індексі, а його режим максимальних зусиль також лідирує серед варіантів із порівнянною вартістю.
Джерело ↗ - 3Claude Code with Claude Fable 5.1 (2026)
Людські голоси ставлять Fable 5.1 Max на перше місце на Agent Arena, але в індексі Artificial Analysis він четвертий із 57,6.
Джерело ↗ - 4Codex with GPT-6 Astra (2026)
Він другий за голосами людей на Agent Arena і п'ятий у перевіреному індексі — $7,04 за завдання.
Джерело ↗ - 5Codex with GPT-6.1 Sol (2026)
Він набирає 54,1 за $1,50 за завдання. Це в межах 0,6 бала від Astra за приблизно п'яту частину вартості.
Джерело ↗ - 6Muse Code with Muse Wonder Full (Meta, 2026)
Ця позиція Meta посідає третє місце в індексі з 58,9, попереду Fable 5.1.
Джерело ↗ - 7Codex with DeepSeek V4.1 Flash (2026)
Він набирає 47,3 за $0,39 за завдання — найдешевша точка на передовому рівні.
Джерело ↗ - 8GitHub Copilot with Copilot Fusion (2026)
Друге джерело ставить агента GitHub на 59,9. Це поставило б його вище за Muse Code від Meta, але цю цифру я не зміг підтвердити.
Джерело ↗ - 9Devin Fusion CLI (Cognition, 2026)
Власний бенчмарк Cognition AI FrontierCode тепер входить до індексу, і Devin має 61,5.
Джерело ↗ - 10Muse Code with Muse Spark Open (Meta, 2026)
Ця конфігурація Meta з відкритими вагами є в індексі без опублікованого бала. Вона — єдиний запис із відкритими вагами серед лідерів.
Джерело ↗
Що помітив Claude
Перші чотири позиції індексу Artificial Analysis лежать у межах 4,1 бала, але вартість за завдання різниться в 29 разів між найкращим балом і найдешевшою передовою позицією.
Індекс v2.0 знизив бали для 20 із 21 конфігурацій, виміряних на обох версіях (середнє з 54,8 до 47,4), бо FrontierCode від Cognition AI замінив DeepSWE.
Індекс оцінює модель і обв'язку разом. Claude Opus 5.5 у Claude Code — це інший запис, ніж та сама модель в іншій обв'язці.
Arena каже, що ділить «найкращих» на завдання, вартість і довірчі інтервали. Тепер поруч із людськими голосами вона показує медіанну вартість завдання і вигадування інструментів.
🇺🇸 Nova10 місць · нотаток: 2
Те саме питання, відповідь одного ШІ — Nova. Підсумковий список вище об'єднує всі ШІ.
- 1Gemini 4 Carbon
Попередній лідер у текстовій дошці Arena з 1520 Elo
Джерело ↗ - 2Claude Opus 5.5
1509 Elo на Arena, найкраща модель, доступна студентам
Джерело ↗ - 3GPT-6 Astra
1773 Elo на Arena WebDev, сильний агент для коду
Джерело ↗ - 4Claude Sonnet 5.5
1770 Elo на Arena WebDev
Джерело ↗ - 5GPT-6.1 Sol
1751 Elo на Arena WebDev
Джерело ↗ - 6Claude Fable 5.1
1504 Elo на текстовій дошці Arena
Джерело ↗ - 7Meta Muse Wonder
1507 Elo на текстовій дошці Arena
Джерело ↗ - 8GPT-6.1 Sol + Codex
58,2% успіху в бенчмарку коду Artificial Analysis
Джерело ↗ - 9Claude Fable 5.1 + Claude Code
57,9% успіху в бенчмарку коду Artificial Analysis
Джерело ↗ - 10GPT-6 Astra + Codex
58,2% успіху в бенчмарку коду Artificial Analysis
Джерело ↗
Що помітив Nova
Gemini 4 Carbon лідирує за попередніми голосами людей, але публічно недоступний, тож доступ нерівний
Перші 4 моделі на Arena WebDev розділені статистичною нічиєю (1751–1810 Elo)
🇨🇳 MiMo10 місць · нотаток: 4
Те саме питання, відповідь одного ШІ — MiMo. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code (Anthropic, 2026)
Єдиний агент, що лідирує на обох дошках, які справді читають люди: 30,5% у сліпому голосуванні людей і 58–62 у перевіреному коді. І єдиний, чий найважчий режим коштує $44,22 за завдання, щоб набрати на два бали менше, ніж його дешевший режим.
Джерело ↗ - 2OpenAI Codex (ChatGPT agent, 2026)
Набирає 52 за $1,51 за завдання. Той самий діапазон індексу в Claude Code коштує у вісім разів дорожче, і Codex перемагає в рейтингу саме завдяки грошам, а не смаку.
Джерело ↗ - 3Google Antigravity CLI / Gemini 4 (2026)
Перший на дошках, що копіюють реальні роботи: 84,2% у завданнях з банківського консалтингу та права і $16 484 за рік роботи бізнесу з вендингу, але за голосами людей лише третій.
Джерело ↗ - 4Devin (Cognition, formerly Windsurf, 2026)
Зрівнявся з найкращим балом коду Claude Code — 62 — за $8,00 за завдання, поєднуючи дві моделі; його SWE-2 набирає 92,8% у Terminal-Bench 2.1 — найвища позиція моделі на цій дошці.
Джерело ↗ - 5Muse Code (Meta, 2026)
Збігається з другим найкращим перевіреним балом коду — 59, — але має один показник, який Artificial Analysis досі не може вивести: свою ціну.
Джерело ↗ - 6Kimi Code CLI (Moonshot AI, 2026)
Перемагає Codex у роботі в терміналі 67 до 58 за $2,94 за завдання — але потім витрачає 185 ходів і 8,9 млн токенів, повільніше за будь-яку сильну лінію на дошці.
Джерело ↗ - 7GitHub Copilot Coding Agent (Copilot Fusion, 2026)
59,9 в індексі коду за $5,59 за завдання — у межах двох пунктів від флагманської лінії Codex, від агента, якого більшість таблиць індексу просто пропускає.
Джерело ↗ - 8DeepSeek Harness (DeepSeek, 2026)
$0,32 за завдання — у 48 разів дешевше за найдорожчу лінію Claude Code — тоді як та сама модель набирає 90,6% на дошці моделей Terminal-Bench.
Джерело ↗ - 9Grok Build (xAI, 2026)
62,9% у питаннях і відповідях щодо репозиторію проти 33,3% у завданнях у терміналі — розрив у 30 пунктів в одному агенті, якого жоден суперник не показує.
Джерело ↗ - 10OpenCode (open-source coding agent, 2026)
Безкоштовна обв'язка з відкритим кодом набирає 49, як і Kimi Code CLI, і працює з понад 75 провайдерами моделей за одним ключем — «народна» лінія в гонці $1,51–$44.
Джерело ↗
Що помітив MiMo
Максимальні зусилля можуть коштувати більше і набирати менше: Claude Code з Fable 5.2 на max коштує $44,22 за завдання з індексом 56, тоді як та сама модель на high набирає 58 за $7,51 — у шість разів дешевше і на два бали краще.
Голосування смаку і дошки реальних робіт назвали різних агентів: Claude Fable 5.2 веде в Agent Arena на 11 пунктів (30,5% проти 19,5%), але Gemini 4 Carbon виграє APEX-Agents (84,2%) і Vending-Bench 2 ($16 484). Смак, професійна робота і ділова узгодженість — три різні навички.
Серед конфігурацій із 48+ балами вартість за завдання різниться приблизно в 30 разів — від $1,51 (Codex GPT-6.1 Sol) до $44,22 (Claude Code Fable 5.2 max), тож чотири пункти індексу зараз коштують приблизно в 29 разів більше. Розумні гроші ділять лінії за складністю завдання.
Обв'язка — половина агента: Gemini 4 Argon набрав 40,7/105 багів через Antigravity CLI, але 33/105 через Gemini CLI на тому самому Bug Hunt Bench — і $7,16 проти $32,08 за запуск.
🇨🇳 StepFun10 місць · нотаток: 4
Те саме питання, відповідь одного ШІ — StepFun. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code + Opus 5.5 (Anthropic) 2026
Топ-2 у сліпих голосах людей і №1 на перевірених дошках коду — єдиний стек на обох подіумах, за $15,47 за завдання.
Джерело ↗ - 2Claude Fable 5.2 Max agent 2026
Здобуває 30,5% сліпих голосів людей — майже вдвічі більше, ніж у наступного, — але користувачі підтверджують успіх лише в 21,7% випадків.
Джерело ↗ - 3OpenAI Codex + GPT-6.1 Sol 2026
58,2% у Terminal-Bench 4.0 за $1,92 за завдання — половина рахунку Claude Code і вдвічі менше часу виконання за 6,6 пункту гірше.
Джерело ↗ - 4Gemini 4 Carbon High / Gemini CLI 2026
№3 за голосами людей і 63,6% у Terminal-Bench 4.0 як модель — але її CLI-обв'язка стоїть майже внизу складеного індексу AA з 43.
Джерело ↗ - 5Claude Sonnet 5.5 Max in Claude Code 2026
Більше підтверджених успіхів (19,5%), ніж голосів (16,1%) — на цьому стеку доказ перемагає смак.
Джерело ↗ - 6GitHub Copilot agentic harness 2026
Єдина обв'язка, порівняна з Claude Code і Codex одразу на п'яти дошках — і вона виграла за кількістю токенів.
Джерело ↗ - 7Cognition Devin SWE-2 2026
81,5%, коли людина допомагає, і 45,8% без неї — той самий агент, дві дуже різні таблиці лідерів.
Джерело ↗ - 8Cursor Composer 2.5 2026
Податок на обв'язку: та сама модель коштує $1,47 за завдання в Cursor CLI проти $1,24 у Claude Code.
Джерело ↗ - 9GLM-5.1 coding agent (in Claude Code) 2026
$2,26 за завдання на вершині розриву в 30 разів у ціні — моделі з відкритими вагами за ціною передових, які рецензентам коду важко відрізнити.
Джерело ↗ - 10Kimi K2.6 coding agent 2026
Відкриті ваги, 300 паралельних субагентів і стрибок на 16 пунктів у Terminal-Bench в одному релізі.
Джерело ↗
Що помітив StepFun
Премія за смак вимірювана: Claude Fable 5.2 отримує 30,48% сліпих голосів Arena, але лише 21,66% підтвердженого успіху — людям він подобається приблизно на 9 пунктів більше, ніж вони можуть підтвердити, що він працює.
Ціна — найдикіша вісь: Artificial Analysis Coding Agent Index варіюється від $0,07 до $2,26 за завдання, більш ніж у 30 разів, при майже однаковій якості коду. Тож найдешевший список — це інший вид спорту, ніж список найкращих.
На найскладнішій багатокроковій дошці ніхто не перемагає: стаття GAIA2 на ICLR 2026 ставить передовий рівень приблизно на 42% pass@1, при цьому GPT-5 (high) лідирує з 42,1%, і жодна система не домінує в усіх можливостях. Claude коштує за завдання дорожче за GPT-5 (high), хоча витрачає менше токенів на крок.
Гроші роблять ставку на шар оркестрації: 13 листопада 2026 року ЛангЧейн залучив 300 млн доларів при оцінці 3 млрд доларів. Раунд очолив КепіталДжі. Оцінка більш ніж удвічі вища за попередню.
🇨🇳 Kimi10 місць · нотаток: 4
Те саме питання, відповідь одного ШІ — Kimi. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code (Claude Opus 5.5, Max effort)
Єдиний агент, що лідирує і в сліпому голосуванні людей, і в перегрейдованій перевіреній дошці коду в одному місяці: перший із +20,14% на Arena Agents і 65,76% у Terminal-Bench 4.1.
Джерело ↗ - 2Devin Fusion CLI (Cognition)
Найвищий бал індексу, коли-небудь опублікований на дошці AA, — 68, на два пункти вище за Claude Code — завдяки парі передової моделі з дешевим напарником GPT-6 Luna за на 31% нижчу вартість за завдання.
Джерело ↗ - 3GitHub Copilot (Copilot Fusion)
Половина ціни за завдання порівняно з лідером лише з двома пунктами індексу позаду — і єдиний запис, що лідирує в Terminal-Bench 4.0 з рахунком 71.
Джерело ↗ - 4Claude Fable 5.2 (Claude Code)
Збігається з лідером Terminal-Bench з 65,8%, спалюючи 15,7 млрд токенів — майже вдвічі більше, ніж 8,0 млрд у Opus 5.5, — щоб дійти до тієї самої цифри: доказ без ощадливості.
Джерело ↗ - 5GPT-6 Astra (OpenAI Codex)
Найдорожчий за завдання серед агентів OpenAI — $9,90 на максимальних зусиллях — за 0,3 бала більше, ніж його власний запуск xhigh за $7,12 на тій самій дошці.
Джерело ↗ - 6Gemini 4 Argon / Carbon (Google Antigravity)
Перемагає в індексі інтелекту (60) і бере срібло в сліпих голосах людей (16,72%), але його єдине число в Terminal-Bench — це самозвіт, який дошка відмовляється ранжувати.
Джерело ↗ - 7GPT-6.1 Sol (OpenAI Codex)
Чемпіон цінності серед передових: 93% бала Astra в Terminal-Bench за 19% ціни за завдання — $1,92 проти $9,90.
Джерело ↗ - 8Claude Sonnet 5.5 (Claude Code)
Другий у Terminal-Bench 4.1, але найдорожчий із топових записів у запусках 4.0 — $22,22 за завдання, 19,4 млрд токенів і $7,3 тис. за 63,9%.
Джерело ↗ - 9Kimi K3.1 Pro (Moonshot AI, open weights)
Агент-аутсайдер із відкритими вагами: в межах 6 пунктів від лідера Terminal-Bench за $3/$15 за мільйон токенів, при цьому на 13 пунктів нижче за Opus в індексі інтелекту.
Джерело ↗ - 10OpenCode + GLM-5.3 (open source)
Єдина обв'язка з відкритим кодом в індексі AA Coding Agent — 53,6 за $4,24 за завдання — доказ того, що обв'язка, а не лише модель, є ровом.
Джерело ↗
Що помітив Kimi
Смак, доказ і ціна коронують трьох різних чемпіонів: Claude Opus 5.5 виграє сліпі голоси людей (+20,14% на Arena Agents), першість в індексі AA переходила між Claude Code і Devin Fusion (68 на знімку від 21 жовтня), а GPT-6.1 Sol виграє за вартістю за завдання ($1,92 при 58,2% у Terminal-Bench 4.0).
Розрив GAIA між перевіреними і самозвітними результатами — близько 20 пунктів: перевірений найкращий на дошці Princeton HAL — 74,55% (загальна вартість запуску $178,20), а анонімні самозвіти на відкритій дошці сягають 94,35%. У квітні 2026 року експлуатаційний агент з Каліфорнійського університету у Берклі набрав близько 98% у GAIA, не розв'язавши жодного завдання.
GAIA2 переглядає очікування від заяв про «агентність»: у динамічному світі Meta, де час іде, лідер (GPT-5 з високим рівнем міркування) проходить лише 42,1% сценаріїв, а найкраща модель із відкритими вагами (Kimi-K2) — близько 20%.
Гроші йдуть на шар оркестрації, а не на моделі: 13 листопада 2026 року ЛангЧейн залучив 300 млн доларів при оцінці 3 млрд доларів, через кілька днів після того, як Devin Fusion і Copilot Fusion показали, що маршрутизація між кількома моделями сама є продуктом.
🇨🇳 DeepSeek10 місць · нотаток: 4
Те саме питання, відповідь одного ШІ — DeepSeek. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code with Claude Fable 5.2
Fable 5.2 очолює Arena з 30,35% і ділить лідерство за індексом коду з 58, але його запуск xhigh коштує $15,47 — у десять разів більше, ніж $1,50 у Codex.
Джерело ↗ - 2Gemini 4 Carbon in Antigravity CLI
Carbon виграє CursorBench з 60,4% за $9,22, тоді як найкраща модель Arena набирає 60,0% на тих самих багатофайлових завданнях за $32,79.
Джерело ↗ - 3Claude Code with Claude Opus 5.5
Opus 5.5 — колишній №1 на Arena і орієнтир 61,7 в індексі коду; за $11,42 за завдання він ані найдешевший, ані найдорожчий із передових.
Джерело ↗ - 4GitHub Copilot Fusion
Fusion набирає 59,9 за $5,59 і лідирує в Terminal-Bench з 71,2 — на два пункти позаду Claude Code за половину ціни.
Джерело ↗ - 5Devin Fusion CLI
Devin Fusion отримує 61,5 за $8,00, лише на 0,2 пункту позаду Claude Code з Opus 5.5, витрачаючи 10,46 млн токенів замість 14,52 млн.
- 6OpenAI Codex with GPT-6.1 Sol
Codex на GPT-6.1 Sol поступається лідерам шістьма пунктами індексу, але коштує $1,50 — у 7,6 раза дешевше за Claude Code на max.
Джерело ↗ - 7Claude Code with Claude Sonnet 5.5
Sonnet 5.5 четвертий на Arena з 15,95%, але його вартість $13,30 за завдання з кодом вища, ніж $5,59 у Copilot Fusion за схожий бал.
Джерело ↗ - 8OpenAI Codex with GPT-6 Astra
Astra шостий на Arena з 14,54% і коштує $7,04 в індексі коду — дешевше за Opus 5.5, але позаду в перевірених злиттях.
Джерело ↗ - 9Kimi K3.1 Pro agent
Kimi лідирує в Terminal-Bench 4.1 з 68% і коштує близько $5,27 за завдання, але голосувальники Arena ставлять його на 11-те місце з 5,2%.
Джерело ↗ - 10Claude Code with Claude Fable 5.1
Fable 5.1 п'ятий на Arena з 14,82% і коштує $17,28 на багатофайлових завданнях CursorBench — усе ще передовий, але вже не головний.
Джерело ↗
Що помітив DeepSeek
Два різні переможці за один тиждень: публікація Arena від 11 листопада поставила Fable 5.2 на №1 з 30,35%, а CursorBench 4.0 — Gemini 4 Carbon на №1 з 60,4%. Місце моделі залежить від того, яку розподіл завдань бере дошка.
Найвищий бал коду і найдешевший бал коду розділені в 29 разів: Fable 5.2 на max-зусиллях коштує $44,22 за завдання за індексом AA, тоді як Codex GPT-6.1 Sol — $1,51.
Copilot Fusion виконує завдання з кодом за 36,1 хв проти 61,0 хв у Claude Code — на 41% швидше і на 51% дешевше, але на два пункти нижче в сукупному балі.
Ефект обв'язки в GAIA більший за більшість розривів між моделями: та сама модель може набрати 44% без обв'язки і 74% у добре зробленому агентному фреймворку — зсув на 30 пунктів.
🇨🇳 Wenxin10 місць · нотаток: 4
Те саме питання, відповідь одного ШІ — Wenxin. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Opus 5.5 (Anthropic 2026)
Ділить найкращий бал Terminal-Bench 4.0 — 65,15% — з 1512 Elo на LMArena
Джерело ↗ - 2Claude Fable 5.2 (Anthropic 2026)
№1 на Agent Arena з +30,48 чистого приросту користувачів, на рівні з 65,15% у Terminal-Bench
Джерело ↗ - 3Claude Sonnet 5.5 (Anthropic 2026)
№1 у APEX-Agents з 75,5% при $5/$5/$25 за мільйон токенів — найкраща цінність у верхньому сегменті
Джерело ↗ - 4Atria Dawn Preview (Shanghai AI Lab 2026)
Перевірений агентний бал BenchLM 92,5/100 — найкращий агент із відкритими вагами у світі
Джерело ↗ - 5Kimi K3.1 Pro (Moonshot AI 2026)
№4 у Terminal-Bench 4.0 з 63,64% — найкращий агент для коду з відкритими вагами
Джерело ↗ - 6Gemini 4 Carbon (Google 2026)
№3 на Agent Arena з +16,90, $1,46 за завдання, найшвидший медіанний запуск P50 — 10 хв
Джерело ↗ - 7GPT-5.6 Sol (OpenAI 2026)
1514 Elo на LMArena, утричі вищий бал ARC-AGI-3 із збереженим міркуванням
Джерело ↗ - 8Gemini 4 Argon (Google 2026)
Найнижча вартість на Agent Arena — 0,712 за завдання, медіанний запуск P50 — 7 хв
Джерело ↗ - 9DeepSeek V4 Pro (DeepSeek 2026)
Найвищий у Terminal-Bench Hard з $1,74/$1,74/$3,48 за мільйон токенів — найкраща цінність серед відкритих для коду
Джерело ↗ - 10Muse Code + Muse Wonder (Meta 2026)
91,6% FuncPass №1, 25,1% SecPass №7 — найширший розрив Func/Sec, який коли-небудь вимірювали
Джерело ↗
Що помітив Wenxin
Три найкращі агенти Claude мають ≥64% у Terminal-Bench 4.0 — поріг, якого не перетинає жоден інший вендор
Увімкнення двох простих налаштувань API втричі підняло бал GPT-5.6 Sol в ARC-AGI-3 і скоротило вихідні токени в 6 разів
Muse Wonder показав найвищий коли-небудь виміряний розрив FuncPass/SecPass — співвідношення 27,4%
Найважчий рівень Agents' Last Exam — повне проходження нижче за 1% у всіх основних системах
🇨🇳 Qwen10 місць · нотаток: 3
Те саме питання, відповідь одного ШІ — Qwen. Підсумковий список вище об'єднує всі ШІ.
- 1Claude Code with Opus 5.5
Лідирує в індексі Artificial Analysis Coding Agent з 61,7 і водночас утримує верхні рівні Agent Arena без премії за Fable.
Джерело ↗ - 2Claude Fable 5.2 (Max)
Лідирує за сліпими голосами людей на Agent Arena з 30,48% перемог, але коштує приблизно в 2,6 раза більше, ніж Opus 5.5, за цю перевагу.
Джерело ↗ - 3Gemini 4 Carbon
Набирає 59 в Coding Agent Index рівно за половину ціни API Claude Opus 5.5 — найефективніший.
Джерело ↗ - 4GPT-6 Sol
Другий у робочому рейтингу Agent Arena і в середньому $2,99 за завдання в Coding Agent Index.
Джерело ↗ - 5GitHub Copilot Fusion
Оркеструє моделі OpenAI та Anthropic і набирає лише на 2 бали менше за Opus 5.5 при половині вартості за завдання.
Джерело ↗ - 6Sage-A1.5
Спільний перший за перевіреним результатом у незалежному рейтингу GAIA від Princeton HAL — 95,1%, а також сильні показники на Artificial Analysis.
Джерело ↗ - 7CustomGPT.ai Research Lab v44
Домінує в багатокроковому асистентському бенчмарку GAIA зі success rate 97,85% на офіційному трекері Hugging Face.
- 8Gemini 4 Hydrogen (High)
Дебютував на 5-му місці на Agent Arena з +14,8% чистого покращення на 6 500 реальних агентних сесіях.
Джерело ↗ - 9OpenAI Codex (GPT-5.6 Sol)
Набрав 80 балів в Coding Agent Index у липні, попереду обв'язки OpenAI до поділу SWE-bench Verified.
Джерело ↗ - 10Devin
Автономний програміст від Cognition AI залишається постійним у порівняннях Agent Arena і GAIA, попри високу погодинну ціну.
Джерело ↗
Що помітив Qwen
Мультиагентна оркестрація перемагає сирі передові моделі за співвідношенням ціни й якості. GitHub Copilot Fusion оркеструє моделі OpenAI та Anthropic і набирає лише на 2 бали менше за Claude Opus 5.5, при цьому вдвічі знижуючи вартість завдання.
Розрив між «смаком» і «доказом» величезний. Claude Fable 5.2 виграє сліпі голоси людей на Agent Arena з 30,48% перемог, але коштує в 2,6 раза більше за Opus 5.5 заради лише незначного приросту в перевіреному виконанні завдань.
Оцінка LangChain у $3 млрд (залучення $300 млн 13 листопада 2026 року) відображає зсув ринку від окремих моделей до фреймворків оркестрації — саме та технологія, що живить мультиагентні варіанти економії, як-от GitHub Copilot Fusion.