OpenAI

Codex: Coding Agent Indexスコア、性能、価格

他のコーディングエージェントと比較すると、CodexのCoding Agent Indexスコアは平均以上ですが、料金はやや高価です。また、処理速度は特に速い水準です。最良の結果はGPT-6 Astra (Max)との組み合わせで、10種類のモデルでテストしました。

GPT-6 Astra (Max)を使用したCodexのArtificial Analysis Coding Agent Indexスコアは55で、コーディングエージェントの中では平均以上です（中央値：49）。

GPT-6 Astra (Max)を使用したCodexのタスクあたりの時間は24.8mで、特に速い水準です（中央値：36.1m）。

Coding Agent IndexでGPT-6 Astra (Max)を使用したCodexを実行する際のタスクあたりの平均API費用は$7.04です（やや高価、中央値：$5.41）。

パフォーマンス

Artificial Analysis Coding Agent Indexにおけるパフォーマンス。

Artificial Analysis Coding Agent Index

Artificial Analysis Coding Agent Index v2.0 incorporates 3 benchmarks: FrontierCode v1.1, Terminal-Bench 4.0, and SWE-Atlas-QnA-AA · Higher is better

色分け

モデルルーター

The Artificial Analysis Coding Agent Index is a composite score built from FrontierCode v1.1、Terminal-Bench 4.0、SWE-Atlas-QnA-AA.

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.

Artificial Analysis Coding Agent Index vs. タスクあたりのコスト

Artificial Analysis Coding Agent Index vs. タスクあたりの平均トークン従量課金APIコスト（USD）

色分け

モデルルーター

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.

トークン使用量

Artificial Analysis Coding Agent Indexにおけるトークン消費量。合計使用量、トークン構成、効率、ベンチマークごとの内訳を含みます。

タスクあたりのトークン使用量

タスクあたりの入力・キャッシュ・出力トークンの平均

モデルルーター

プロンプトキャッシュのヒット率はプロバイダーのルーティングによって大きく変わる可能性があり、実効コストに大きく影響することがあります。

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

Artificial Analysis Coding Agent Index vs. 合計トークン

Artificial Analysis Coding Agent Index vs. タスクあたりの平均合計トークン

色分け

モデルルーター

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.

コスト

現在のトークン単位のAPI料金に基づく Artificial Analysis Coding Agent Indexのコスト。利用可能な場合はキャッシュ書き込み料金やキャッシュ割引を含みます。多くのユーザーはトークン従量課金ではなくサブスクリプションプランを通じてコーディングエージェントのハーネスを利用します。

タスクあたりのコスト

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

色分け

モデルルーター

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

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.

実行時間

Artificial Analysis Coding Agent Indexにおけるエージェントの実稼働時間。

タスクあたりの時間

Average agent wall time per task · Lower is better

色分け

モデルルーター

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.

Artificial Analysis Coding Agent Index vs. 実行時間

Artificial Analysis Coding Agent Index vs. タスクあたりの平均エージェント稼働時間

色分け

モデルルーター

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.

安全性拒否

評価方法

Artificial Analysis Coding Agent Indexにおいて、プロバイダーまたはモデルが安全上の理由でタスクの続行を拒否した頻度。

安全性拒否率

Share of retained task attempts with a safety refusal · Equal weight per benchmark · Lower is better

内訳

モデルルーター

セーフティおよびフォールバックの挙動はプロバイダーが設定するもので、時間の経過とともに変更される可能性があります。これらの数値はベンチマーク実施時点で記録された挙動を反映しています。

ブロックは試行が終了したことを意味します。フォールバックは別のモデルが試行を完了したことを意味します。どちらも拒否率に算入されます。

報酬ハッキング

評価方法

本来は合格となる試行のうち、評価の公正性に関する違反により0点となったものが、全試行に占める割合。

報酬ハッキング率：FrontierCode v1.1

Share of task attempts scored zero for reward hacking · Cognitionのルールベーススキャナーに変更を加えたもので、解答を含む資料への禁止されたアクセスを検出します · Lower is better

色分け

モデルルーター

Codex: Coding Agent Indexスコア、性能、価格

比較の概要

パフォーマンス

Artificial Analysis Coding Agent Index

What This Metric Means

Artificial Analysis Coding Agent Index vs. タスクあたりのコスト

How to Read This Chart

トークン使用量

タスクあたりのトークン使用量

Input Tokens

Artificial Analysis Coding Agent Index vs. 合計トークン

How to Read This Chart

コスト

タスクあたりのコスト

What Cost Is Measuring

実行時間

タスクあたりの時間

What Execution Time Is Measuring

Artificial Analysis Coding Agent Index vs. 実行時間

How to Read This Chart

安全性拒否

安全性拒否率

安全性拒否の結果

報酬ハッキング

報酬ハッキング率：FrontierCode v1.1

実行仕様