编码智能体评测：模型与框架组合质量成本差异

一组编码评测展示了三个模型与执行框架组合的质量和成本差异。Sonnet 5.5 配合 Claude Code 得到 68 分，每任务约 14.19 美元；Gemini 4 Argon 配合 Antigravity 得到 64 分，约 5.84 美元；GPT-6.1 Sol 配合 Codex 得到 63 分，约 1.04 美元。数据来自同一评测环境，但具体任务类型、数量和难度并未披露。

这些结果评估的是模型与执行框架的组合效果，而不是单独比较裸模型。Claude Code、Antigravity 和 Codex 作为执行框架，会影响工具调用、上下文管理和任务完成方式，因此得分差异不能直接归因于模型能力本身。工程团队在评估编码智能体时，需要把模型和配套框架视为一个整体来测试。

从工程含义来看，质量与成本之间呈现明显反差：得分最高的组合每任务成本也最高，得分最低的组合成本最低，单任务成本跨度超过 13 美元。如果任务对预算敏感，可能需要在输出质量和单任务开销之间做权衡。但这不是绝对结论，因为成本数据不一定反映你的实际价格。

Gemini 4 Argon 的成本数字基于促销定价，而且该方案尚未公开开放。这意味着相关基准的可复现性受限，促销结束后价格可能变化，无法直接作为长期选型依据。对于尚未正式发布的方案，比较时应额外确认当前可获得的价格和可用性。

实际选型仍应以自身任务和当前可获得价格重新测试，而不是直接采用这次评测的数值。不同团队的代码库、工作流和任务分布差异很大，单一基准难以覆盖真实使用场景。评测方法与数据来源未提供，也增加了直接迁移结论的风险。

如果预算敏感，可以优先验证低成本组合在关键任务上的表现；如果质量优先，则需要评估高成本组合的稳定性和错误率是否值得额外支出。评测数据只是一个起点，最终决策应基于本地复现和持续监控。