تفوق كلود فيبل 5 من أنثروبيك على منافسيه في اختبار Android Bench من غوغل

في 8 يوليو 2026، أصدرت شركة غوغل تحديثًا رئيسيًا لمنصة Android Bench، لوحة الصدارة الرسمية لتقييم نماذج اللغات الكبيرة (LLMs) في مهام تطوير أندرويد الواقعية . لم يقتصر التحديث على إضافة نموذج جديد متصدر، بل شمل نقلة نوعية: الانتقال الكامل إلى إطار التقييم مفتوح المصدر Harbor، وإطلاق نظام المساهمات المجتمعية، ولوحة صدارة جديدة تكشف عن مفاضلات حادة بين التكلفة والدقة .

النموذج المتصدر الجديد: كلود فيبل 5 (Anthropic)

يتصدر نموذج Claude Fable 5 من Anthropic قائمة Android Bench حاليًا برصيد 84.5 نقطة، بفارق يزيد عن 4 نقاط عن أقرب منافسيه . هذا الرقم يعكس دقة النموذج في مجموعة تضم 100 مهمة برمجية حقيقية لأندرويد، مأخوذة من مجموعة تضم حوالي 39,000 طلب سحب (pull requests) مفتوح المصدر .

ولا يقتصر تفوق Fable 5 على Android Bench؛ فالتقارير المستقلة تشير إلى أنه يتصدر أيضًا معايير برمجية أوسع: 95% على معيار SWE-bench Verified و80% على SWE-bench Pro، متقدمًا بفارق كبير على النماذج السابقة . كما سجل 84.3% على Terminal-Bench 2.0، وهو معيار للبرمجة الذكية . وتضعه لوحات صدارة متعددة كأفضل نموذج ذكاء اصطناعي شامل حتى يوليو 2026 .

ترتيب أوسع: GPT 5.5 وجيميني 3.1 وغيرهما

أُعيد تقييم جميع النماذج التي كانت مُدرجة سابقًا ضمن المنهجية الجديدة المعتمدة على Harbor . الترتيب العشرة الأوائل وفقًا لـ Android Bench:

الترتيب	النموذج	الدقة	متوسط زمن الاستجابة (ثانية)	متوسط التكلفة ($/1K مهمة)
1	Claude Fable 5 (Anthropic)	84.5	8.0	$133.20
2	GPT 5.5 (OpenAI)	80.2	15.7	$138.30
3	Claude Sonnet 5 (Anthropic)	76.2	12.3	$99.90
4	GPT 5.4 (OpenAI)	74.1	8.4	$83.40
5	Gemini 3.1 Pro Preview (Google)	73.7	10.6	$87.40
6	Claude Opus 4.8 (Anthropic)	72.4	6.7	$88.00
7	GLM 5.2	72.2	38.9	$117.00
8	Gemini 3.5 Flash (Google)	71.1	28.3	$165.60
9	Kimi K2.7 Code	70.4	31.8	$48.10

المصدر: تقرير 9to5Google عن تصنيفات Android Bench المحدَّثة .

ملاحظات رئيسية من الترتيب الجديد:

• Anthropic تحتل ثلاثة من المراكز الستة الأولى (Fable 5, Sonnet 5, Opus 4.8)، مما يجعلها الأقوى من حيث العمق .
• GPT 5.5 من OpenAI هو أقرب منافس فردي بفارق 4.3 نقاط، لكن زمن الاستجابة لديه يقترب من ضعف Fable 5 .
• نموذج جيميني 3.1 من غوغل يحل في المركز الخامس، خلف أفضل نموذجين من Anthropic وأفضل نموذجين من OpenAI .
• Kimi K2.7 Code يقدم أقل تكلفة (48.10 دولار) لكنه يحقق أدنى دقة بين العشرة الأوائل، مما يعكس بوضوح مفاضلة التكلفة مقابل الدقة .

الانتقال إلى إطار Harbor

قامت غوغل بتوحيد Android Bench على إطار Harbor، وهو نظام تقييم مفتوح المصدر طوره معهد Laude، الفريق الذي يقف وراء Terminal-Bench . كان Android Bench سابقًا يعتمد على أداة تقييم مخصصة (mini-swe-agent v1). يوفر Harbor خط أنابيب تقييم موحدًا قائمًا على الحاويات (containers)، يدعم النشر السحابي، وإرسال المهام المجتمعية، وتجارب التعلم المعزز .

نظرًا لهذا الانتقال، فإن جميع نتائج النماذج السابقة لم تعد قابلة للمقارنة مع النتائج الجديدة . وأوضحت غوغل أن هذه الخطوة ضرورية لمواكبة التطور السريع في قدرات نماذج اللغات الكبيرة .

إطلاق المساهمات المجتمعية

لأول مرة، تفتح غوغل Android Bench أمام المساهمات المجتمعية . يمكن للمطورين الآن:

• تقديم مهام تطوير أندرويد حقيقية لإضافتها إلى مجموعة بيانات الاختبار .
• مشاركة تقييماتهم الخاصة للنماذج باستخدام أدوات Harbor، مما يسمح بإجراء مقارنات مباشرة لحالات الاستخدام الفردية .

وصفت غوغل هذه الخطوة بأنها استجابة لطلب المطورين "لطريقة لتقديم ملاحظات على مجموعة البيانات لدينا"، واتجاه نحو تعاون أعمق مع مجتمع مطوري أندرويد .

مفاضلات التكلفة مقابل الدقة

تكشف لوحة الصدارة الجديدة عن سوق يشهد فجوة كبيرة بين قادة التكلفة وقادة الدقة :

• النموذج الأعلى دقة (Claude Fable 5) يكلف 133.20 دولار لكل 1000 مهمة.
• النموذج الأرخص ضمن العشرة الأوائل (Kimi K2.7 Code) بدقة 70.4 نقطة فقط، بفارق 14.1 نقطة عن الأفضل.
• Gemini 3.5 Flash هو الخيار الأعلى تكلفة (165.60 دولار) لكنه يحقق 71.1 نقطة فقط.
• GPT 5.5 يقدم أفضل توازن بين الدقة العالية والتكلفة المتوسطة: 80.2 نقطة مقابل 138.30 دولار.
• Claude Sonnet 5 هو خيار قيمة وسط: 76.2 نقطة مقابل 99.90 دولار.

الديناميكيات التنافسية

يُعزز تحديث يوليو 2026 سباقًا ثلاثيًا بين Anthropic وOpenAI وGoogle :

• Anthropic: القائد الواضح في الدقة البحتة. بفضل Fable 5 وعمق التشكيلة (ثلاثة نماذج في المراكز الستة الأولى)، يبدو أن استثمارها في قدرات البرمجة الخاصة بأندرويد يؤتي ثماره .
• OpenAI: المنافس الفردي الأقوى مع GPT 5.5، لكنه يفتقر إلى عمق تشكيلة Anthropic .
• Google: نماذج Gemini تتخلف عن المنافسين في الدقة. ورغم أنها مالكة المعيار، فإن نماذجها الخاصة تحتل المركزين الخامس والثامن، وهو ما تعترف به الشركة علنًا من خلال فتح المجال أمام المجتمع .

هذه هي المرة الأولى التي يتصدر فيها نموذج من Anthropic معيار غوغل الرسمي لتطوير أندرويد، وهو تحول رمزي في سوق المساعد الذكي للهواتف المحمولة.