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

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 ^WLM. كما سجل 84.3% على Terminal-Bench 2.0، وهو معيار للبرمجة الذكية ^WB. وتضعه لوحات صدارة متعددة كأفضل نموذج ذكاء اصطناعي شامل حتى يوليو 2026 ^BB.

ترتيب أوسع: GPT 5.5 وجيميني 3.1 وغيرهما

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

المصدر: تقرير 9to5Google عن تصنيفات Android Bench المحدَّثة ^A.

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

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 ^DATG. 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 ^ATQ.

نظرًا لهذا الانتقال، فإن جميع نتائج النماذج السابقة لم تعد قابلة للمقارنة مع النتائج الجديدة ^9A. وأوضحت غوغل أن هذه الخطوة ضرورية لمواكبة التطور السريع في قدرات نماذج اللغات الكبيرة ^D.

إطلاق المساهمات المجتمعية

لأول مرة، تفتح غوغل Android Bench أمام المساهمات المجتمعية ^9A. يمكن للمطورين الآن:

• تقديم مهام تطوير أندرويد حقيقية لإضافتها إلى مجموعة بيانات الاختبار ^9A.
• مشاركة تقييماتهم الخاصة للنماذج باستخدام أدوات Harbor، مما يسمح بإجراء مقارنات مباشرة لحالات الاستخدام الفردية ^9A.

وصفت غوغل هذه الخطوة بأنها استجابة لطلب المطورين "لطريقة لتقديم ملاحظات على مجموعة البيانات لدينا"، واتجاه نحو تعاون أعمق مع مجتمع مطوري أندرويد ⁹.

مفاضلات التكلفة مقابل الدقة

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

• 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 ^A:

• 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 ^AM.
• OpenAI: المنافس الفردي الأقوى مع GPT 5.5، لكنه يفتقر إلى عمق تشكيلة Anthropic ^A.
• 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 ^9AA.

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