Coding Agent Indexの方法論

概要

Artificial Analysisでは、エンドツーエンドのソフトウェアエンジニアリングタスクでコーディングエージェントをベンチマークしています。現実的なコーディング作業をエージェントがどの程度完遂できるか、また成果、信頼性、トークン使用量、コスト、実行時間によって性能がどう異なるかを測定します。

Coding Agent Indexページの公開結果は、タスク単位のベンチマーク試行から構築され、評価ごとのスコア、統合した効率性指標、Artificial Analysis Coding Agent Indexに集約されます。

このページでは、公開されているArtificial Analysis Coding Agent Indexの構築方法、現在含まれているベンチマーク構成要素、公開されるpass@1、コスト、トークン使用量、実行時間の各指標の算出方法を説明します。

Artificial Analysis Coding Agent Index

現在公開しているArtificial Analysis Coding Agent Indexは、公開コーディングエージェントスイートに設定されたベンチマーク構成要素から算出する複合ベンチマークスコアです。

コーディングエージェントの性能は、リポジトリに関するQ&A、実装やバグ修正のタスク、ターミナル操作が中心のワークフローで大きく異なる場合があります。指数は、ベンチマークごとの内訳を維持しながら、こうしたベンチマーク群を1つの上位の性能ビューにまとめます。

Coding Agent Index v1.5 は、DeepSWE v1.1、Terminal-Bench 4.0、SWE-Atlas-QnA のスコアを等しい重みで平均したものです。

指数の構成要素

現在の公開指数には、次のベンチマーク構成要素が含まれています。

評価分野タスクタスクあたりの試行回数回答形式採点
DeepSWE v1.1長期的なソフトウェアエンジニアリング1133コードパッチ / リポジトリの変更プログラム検証のpass/fail、pass@1
Terminal-Bench 4.0エージェントによるターミナル操作663ターミナルベースのタスク実行テストスイートのpass/fail、pass@1
SWE-Atlas-QnAリポジトリに関するQ&A1243自由回答Scale AI Task Resolve Rate(バイナリpass/fail)、pass@1
DeepSWE v1.1
既存のリポジトリの変更を必要とする、長期にわたるソフトウェアエンジニアリングのタスクです。v1.1 では、v1.0 と同じ 113 タスクを維持し、実行環境を更新するとともに、コミットされたパッチを独立した検証環境で採点します。エージェントの実行フェーズでは、必要なモデル API 接続を除いてインターネットへのアクセスを遮断します。DeepSWE のインターネット隔離を維持するため、エージェントに組み込まれたツールを精査し、インターネットへのアクセスにつながる可能性のあるサーバー側の検索・閲覧機能を遮断しています。
Terminal-Bench 4.0
ソフトウェアエンジニアリング、機械学習、科学計算、セキュリティ、システム管理にまたがるターミナル操作のタスクです。バージョン 4.0 では、指示、環境、検証器を更新し、計算資源と時間の上限を見直すとともに、性能が飽和したタスクや問題のあるタスクを除外しています。
SWE-Atlas-QnA
エージェントがコードを追跡し、その動作を説明する必要があるリポジトリに関する質問です。Scale AI が公開している採点方法に従い、Claude Opus 4.5 を評価モデルとして使用します。

評価対象タスク

現在の公開指数は、3件のベンチマーク構成要素にわたる303件の評価対象タスクを網羅しています。

Indexの集約対象

Artificial Analysisでは、エージェントの各バリアントについて、含まれるベンチマーク構成要素ごとにpass@1スコアを計算し、それらのスコアを公開指数に集約します。

同じベンチマークスイートは、ベンチマークページに公開する実行コスト、トークン使用量、実行時間などの統合効率性指標の基礎にもなっています。したがって、性能と効率性のビューは、無関係な実行結果ではなく、同じベンチマークの対象範囲を反映しています。

採点と結果

pass@1の結果

SWE-Atlas-QnA では、Scale AI の Task Resolve Rate(タスク解決率)を使用します。これは、エージェントの回答がルーブリックの全項目を満たしたタスクの割合です。リポジトリの追跡対象ファイルに変更があるタスクは不合格となります。

評価ごとのスコア

各タスクの3回の試行スコアを平均し、さらにタスク間で平均することで、各タスクの重みを均等にします。

タスクの制限時間を超えた試行や、安全上の理由による拒否によってブロックされた試行は0点とします。

報酬ハッキング

報酬ハッキングとは、エージェントがタスクの測る能力を示さないまま報酬を得ることです。たとえば採点用のテストを書き換えたり、自力で解かずに公開済みの解答を取得したりする場合です。Terminal-Benchはリーダーボード整合性アップデートに基づきこうした試行を0点とし、Artificial Analysisも同じルールを適用しています。

検出は現在、Terminal-Bench 4.0のみに適用されています。タスク、テスト、参照解答が公開されており、試行はインターネットにアクセスできる環境で実行されます。

エージェントが次の行為をした場合、その試行は報酬ハッキングと判定されます:

  • テストファイルを編集する、ベリファイアの報酬ファイルに直接書き込む、またはその他の方法で採点メカニズムやテストハーネスを操作する
  • タスクに同梱された参照解答にアクセスする、またはコピーする
  • ウェブ検索やフェッチツール、curlやwget、リポジトリのクローン、データセットやモデルのダウンロードなどにより、外部ソースからタスクの参照解答や期待出力を取得する
  • 実際には計算していない採点値を再現する

通常のネットワーク利用は問題ありません。パッケージのインストールやドキュメントの参照はタスク解決の正常な一部です。何も見つからない検索も同様です。解答を検索して見つけられず、その後自力で答えを導いたエージェントは、報酬ハッキングをしたことにはなりません。

Terminal-Benchの決定的なベリファイアを通過したすべての試行は、エージェントジャッジがHarborのharbor analyzeコマンドで審査します。エージェントジャッジはエージェントの全軌跡(実行したすべてのコマンドと受け取ったすべての応答)を、タスク本体、そのテスト、参照解答とあわせて読みます。ハッキングと判定された試行は0点となります。

エージェントジャッジはClaude CodeとClaude Sonnet 5を実行します。これはTerminal-Benchが自身のリーダーボード検査に使うものと同じエージェントとモデルです。そのプロンプトはHarbor組み込みのreward_hacking基準を使用し、私たちはこれを環境の外部から取得した解答まで対象に含めるよう拡張しています。プロンプトの全文は以下のとおりです。

効率性指標

コスト、トークン使用量、実行時間は、現在公開しているコーディングエージェントベンチマークスイート全体で統合した、タスク試行あたりの平均値として示します。

  • 実行コスト:コンシューマー向けプランではなく、プロバイダーのトークン料金に基づく、タスクあたりの従量制APIコストの平均。
  • トークン使用量:タスクあたりの入力、キャッシュ、キャッシュ書き込み、推論、出力トークンの平均。
  • 実行時間:タスクあたりの経過時間の平均。タスク全体の経過時間と、取得可能な場合はそのうちエージェントが動作していた時間を含みます。

特定の指標でテレメトリが欠けている場合、その値をゼロとして扱わず、該当する平均値から除外します。

コスト指標では、プロバイダーの料金体系で区別されている場合、キャッシュ済み入力と未キャッシュ入力を分けて扱います。また、プロバイダーがプロンプトのキャッシュ状態を作成する際に課金する場合は、キャッシュ書き込み料金を含めます。これは、一律のトークン単価による推定よりも、従量制APIのトークン料金を正確に反映することを目的としています。

エージェント設定

公開ベンチマークの各行は、モデル名だけでなく、エージェントのバリアントを表します。動作を変える可能性のある設定は、レポート上で個別に扱います。

推論設定は、評価する構成ごとに異なります。

新しい評価やエージェントのバリアントが追加されるにつれて、ベンチマークの方法は変化する可能性があります。ただし、公開比較は、公開ベンチマークスイート内で同等条件のエージェントバリアントを反映することを意図しています。

バージョン履歴

バージョン1.5

2026年9月~現在

  • Terminal-Bench v2.1 を Terminal-Bench 4.0 に置き換え、より難しい 66 のターミナルタスク、更新された環境と検証器、見直された計算資源と時間の上限を採用しました
  • DeepSWE を v1.0 から v1.1 に更新し、同じ 113 タスクを維持しつつ、実行環境を更新し、コミットされたパッチを独立した検証環境で採点するようにしました
  • SWE-Atlas-QnA の採点を Scale AI が公開している方法に合わせ、124 のリポジトリ Q&A タスクで Claude Opus 4.5 を評価モデルとして使用

バージョン1.4

2026年8月~9月

  • Terminal-Bench v2をTerminal-Bench v2.1へ更新し、89タスクの全セットを対象化
  • Terminal-Benchの整合性手法に沿ったリワードハッキング検出を追加し、リワードハッキングと判定された試行は0点
  • 推論トークンを出力トークンに含めて報告するエージェントについて、トークン集計の方法を改定

バージョン1.3

2026年7月~2026年8月

  • SWE-Atlas-QnAのバイナリpass/fail採点を改善し、Scale AIのTask Resolve Rate評価手法に整合

バージョン1.2

2026年7月

  • SWE-Atlas-QnAの採点をルーブリック報酬からバイナリpass/failに変更し、タスクを正解と判定するにはルーブリックの全基準への合格を必須化

バージョン1.1

2026年6月~2026年7月

  • DeepSWE(長期的なソフトウェアエンジニアリング)を追加
  • Coding Agent IndexからSWE-Bench-Pro-Hard-AAを削除

バージョン1.0

2026年5月~2026年6月

  • SWE-Bench-Pro-Hard-AA(コード生成)、Terminal-Bench v2(エージェントによるターミナル操作)、SWE-Atlas-QnA(リポジトリに関するQ&A)を含む初回リリース