Codex vs. Muse Code

Name: Índice de agentes de programación
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Comparación entre Codex y Muse Code en el Índice de agentes de programación de Artificial Analysis, incluidos resultados de benchmarks, costo, tiempo de ejecución y uso de tokens.

Para más detalles sobre nuestra metodología, consulta nuestra página de metodología.

Explora otras comparaciones

Destacados

Updated

Índice de agentes de programación

Artificial Analysis Coding Agent Index v1.5 · Higher is better

Tiempo por tarea

Average agent wall time per task · Lower is better

Costo por tarea

Average API cost per task (USD) · Lower is better

Comparación

Comparación lado a lado de Codex y Muse Code.

Comparación de agentes de programación

Métrica	Codex GPT-6 Astra (max)	Muse Code Muse Spark 1.3 (max)	Análisis
Harness del agente	Codex	Muse Code
Modelo representativo	GPT-6 Astra (max)	Muse Spark 1.3 (max)
Índice de agentes de programación	62	54	Codex tiene un Índice de agentes de programación más alto que Muse Code
DeepSWE v1.1	68%	72%	Muse Code tiene una puntuación más alta en DeepSWE v1.1 que Codex
Terminal-Bench 4.0	56%	32%	Codex tiene una puntuación más alta en Terminal-Bench 4.0 que Muse Code
SWE-Atlas-QnA	62%	59%	Codex tiene una puntuación más alta en SWE-Atlas-QnA que Muse Code
Costo por tarea	$7.47	$3.98	Muse Code tiene un costo por tarea más bajo que Codex
Tiempo por tarea	29.4m	18.4m	Muse Code tiene un tiempo por tarea más bajo que Codex
Turnos por tarea	39.4	185.2	Codex tiene menos turnos por tarea que Muse Code
Uso de tokens por tarea	3.3M	16.7M	Codex tiene un uso de tokens por tarea más bajo que Muse Code
Tasa de aciertos de caché	93%	97%	Muse Code tiene una tasa de aciertos de caché más alta que Codex

Variantes de modelo

Variantes de modelo evaluadas para Codex y Muse Code.

Variantes de modelo


Codex	GPT-6 Astra (max)	62	68%	56%	62%	$7.47	29.4m	3.3M
Codex	GPT-6 Sol (max)	57	69%	43%	58%	$2.99	22.3m	9.8M
Codex	GPT-5.6 Sol (max)	55	72%	37%	54%	$6.35	20.6m	10.2M
Codex	GPT-5.6 Luna (max)	43	66%	15%	49%	$0.44	23.5m	14.9M
Codex	DeepSeek V4 Pro 0813 (max)	43	57%	10%	62%	$0.24	40.3m	24.2M
Codex	GPT-6 Luna (max)	41	64%	15%	44%	$0.18	21.4m	10.2M
Codex	DeepSeek V4 Flash 0731 (max)	39	54%	11%	51%	$0.09	18.3m	15.4M
Muse Code	Muse Spark 1.3 (max)	54	72%	32%	59%	$3.98	18.4m	16.7M
Muse Code	Muse Spark 1.3 (xhigh)	48	73%	17%	55%	$3.47	18.3m	16.2M

Rendimiento

Rendimiento en el Índice de agentes de programación de Artificial Analysis.

Índice de agentes de programación de Artificial Analysis

Artificial Analysis Coding Agent Index v1.5 incorporates 3 benchmarks: DeepSWE v1.1, Terminal-Bench 4.0, and SWE-Atlas-QnA · Higher is better

Color by

The Artificial Analysis Coding Agent Index is a composite score built from DeepSWE v1.1, Terminal-Bench 4.0, and SWE-Atlas-QnA.

It is useful for quick comparison, but it should be read alongside the per-eval breakdowns. Two agents with similar index values can still have different strengths across repository tasks, terminal workflows, and rubric-based evaluations.

Índice de agentes de programación de Artificial Analysis vs. costo por tarea

Índice de agentes de programación de Artificial Analysis vs. promedio del costo de la API de pago por token por tarea (USD)

Color by

Most attractive quadrant

Pareto line

Each point represents a coding-agent variant. Farther left means lower average cost per task, while higher on the chart means higher benchmark performance. The most efficient agents sit toward the upper-left: stronger results at lower cost.

Uso de tokens

Consumo de tokens en el Índice de agentes de programación de Artificial Analysis.

Uso de tokens por tarea

Promedio de tokens de entrada, caché y salida por tarea

Prompt cache hit rates can vary significantly by provider routing, which can materially change effective cost.

Non-cached input tokens sent to the model, including prompts, instructions, tool context, and task context that were not served from prompt cache.

Índice de agentes de programación de Artificial Analysis vs. tokens totales

Índice de agentes de programación de Artificial Analysis vs. promedio de tokens totales por tarea

Color by

Most attractive quadrant

Each point represents a coding-agent variant. Farther left means lower average total token usage per task, while higher on the chart means higher benchmark performance. Agents toward the upper-left achieve stronger results with fewer tokens.

Costo

Costo de la API de pago por token en el Índice de agentes de programación de Artificial Analysis, según los precios actuales por token.

Costo por tarea

Average pay-per-token API cost per task (USD) · Lower is better

Color by

This chart shows the average pay-per-token API cost per task across the Artificial Analysis Coding Agent Index, spanning DeepSWE v1.1, Terminal-Bench 4.0, and SWE-Atlas-QnA.

Where applicable, that cost model includes standard input pricing, discounted cached-input pricing, separate cache-write charges, and output pricing rather than treating all prompt tokens as if they were billed at the same uncached input rate.

It is intended to show pay-per-token API cost, not consumer plan pricing or the full operational cost of deploying the system in production. Infrastructure, engineering, and supervision costs are not the focus of this metric.

Tiempo de ejecución

Tiempo de ejecución activo del agente en el Índice de agentes de programación de Artificial Analysis.

Tiempo por tarea

Average agent wall time per task · Lower is better

Color by

This chart uses agent wall time: how long the agent process was actively running on each task.

It does not include environment startup, verifier or judge time, or other harness overhead, so it is a cleaner comparison of how long the agent itself was working.

Índice de agentes de programación de Artificial Analysis vs. tiempo de ejecución

Índice de agentes de programación de Artificial Analysis vs. promedio del tiempo de ejecución del agente por tarea

Color by

Most attractive quadrant

Each point represents a coding-agent variant. Farther left means shorter average agent runtime per task, while higher on the chart means higher benchmark performance. Agents toward the upper-left deliver stronger results in less active agent time.

Codex vs. Muse Code

Índice de agentes de programación

Tiempo por tarea

Costo por tarea

Comparación

Comparación de agentes de programación

Variantes de modelo

Variantes de modelo

Rendimiento

Índice de agentes de programación de Artificial Analysis

What This Metric Means

Índice de agentes de programación de Artificial Analysis vs. costo por tarea

How to Read This Chart

Uso de tokens

Uso de tokens por tarea

Input Tokens

Índice de agentes de programación de Artificial Analysis vs. tokens totales

How to Read This Chart

Costo

Costo por tarea

What Cost Is Measuring

Tiempo de ejecución

Tiempo por tarea

What Execution Time Is Measuring

Índice de agentes de programación de Artificial Analysis vs. tiempo de ejecución

How to Read This Chart