谷歌升級Android Bench代碼排行榜:Claude5斬獲榜首，Gemini準確率與效率雙落後

7月9日，谷歌宣佈對其Android Bench代碼開發者排行榜進行重大改版，全面引入標準化的Harbor沙箱框架。此舉將測試遷移至安全隔離環境，旨在簡化全球開發者運行獨立評估、定製開發環境及共享數據的流程。伴隨架構升級，谷歌通過GitHub向全球開源該基準測試，允許社區提交自定義Android開發任務與模型評估。

然而，在重新測定的基準排名中，谷歌自家模型表現不及預期:Anthropic旗下旗艦模型Claude Fable5以84.5%的準確率榮登榜首，OpenAI的GPT-5.5以80.2%緊隨其後;相比之下，谷歌Gemini3.1Pro僅位列第五。

儘管Gemini在測試成本上具備一定優勢（單次迭代約87美元，而頂級模型均超130美元），但輕量級模型Gemini3.5Flash在解析百題評估數據集時暴露出嚴重的效率短板，單次運行耗時達28小時且成本高達165美元。

當前，核心工程項目向自主智能開發工作流程轉型已成行業共識，谷歌在本土移動開發基準測試中的落後，無疑爲其AI戰略推進帶來了技術挑戰。但Android Bench憑藉其客觀透明的評測機制以及Harbor框架的開放性，正在逐步確立自身作爲行業公認、去營銷化的權威AI代碼評估平臺的地位。