Claude Fable 5登顶谷歌Android Bench新榜单

谷歌本周二对Android Bench进行了重大更新。这是谷歌用来评估AI模型在Android开发任务中表现能力的排行榜。更新新增了八款模型，其中Anthropic的Claude Fable 5以84.5%的准确率占据榜首。同时，排行榜的底层框架迁移到了名为Harbor的新系统。

Android Bench 更新后的排行榜截图

新排名格局

7月8日发布的最新榜单显示，Claude Fable 5位列第一，OpenAI的GPT 5.5以80.2%排名第二，Claude Sonnet 5以76.2%位列第三。谷歌自家的Gemini 3.1 Pro Preview以73.7%排在第五，落后于GPT 5.4。其他新增模型包括Qwen 3.7 Max、Qwen 3.7 Plus、GLM 5.2、Kimi K2.7 Code和MiniMax M3。

这一结果延续了今年5月首次出现的趋势——当时GPT 5.5登顶，而Gemini落后OpenAI模型约两个百分点。如今Fable 5加入战局，顶尖差距进一步拉大。该模型由Anthropic在6月发布，已在多个编程基准测试中领先，包括在SWE-Bench上取得80.3%的分数。

方法论变化与开放贡献

除了新增模型，谷歌还将Android Bench框架迁移到Harbor，称其能实现更严格、更贴近现实场景的AI推理测试。该基准测试在100个测试用例上各运行10次，除了准确率，还衡量延迟和每次运行成本——这是谷歌在之前版本中就引入的维度。

谷歌还表示，开发者现在可以直接为基准测试贡献用例。这一转变可能会扩大用于测试模型的Android专属编程挑战范围。包括Claude Opus 4.6、Claude Sonnet 4.5以及早期GPT变体在内的多款旧模型已被归档。

排名揭示的另一个维度

新榜单中的成本和速度数据提供了超越单纯准确率的实用视角。例如，Deepseek V4 Flash得分仅54.7%，但每次基准运行成本仅1.5美元；而Claude Fable 5的最高分对应每次运行133.2美元。这些权衡凸显了Android开发者面临的现实选择——随着AI辅助编码工具日益融入日常工作，谷歌自家的模型仍在追逐Anthropic和OpenAI的竞争对手，哪怕是在谷歌自己打造的基准测试上。