تكون درجات مؤشر وكيل الترميز v2.0 أقل من v1.5 لكل التكوينات المقاسة في كلا النسختين. على مستوى الـ 21 تكوينًا التي تم تقييمها في كلتا نسختي المؤشر، يتحرك متوسط درجة المؤشر من 54.8 إلى 47.4، حيث انخفض 20 من أصل 21 تكوين.
التباين يأتي من FrontierCode v1.1، حيث تبلغ متوسطات التكوينات نفسها 45.1% مقابل 65.6% في DeepSWE v1.1، مع مساهمة أقل ناتجة عن تصنيف SWE-Atlas-QnA-AA الصارم. Terminal-Bench 4.0 لم يتغير. تعكس درجات النتائج في النسختين من المؤشر إعدادات تقييم مختلفة.