Claude Fable 5 de Anthropic se corona en el nuevo Android Bench de Google

Fable 5 también lidera benchmarks de codificación más amplios en toda la industria. Reportes independientes muestran que obtiene un 95.0% en SWE-bench Verified y un 80.0% en SWE-bench Pro, muy por delante de modelos de generaciones anteriores ^WLM. En el benchmark de codificación agéntica Terminal-Bench 2.0, Fable 5 registró un 84.3% de precisión ^WB. Múltiples rankings independientes ahora clasifican a Fable 5 como el mejor modelo general de IA a julio de 2026 ^BB.

Posiciones generales: GPT 5.5, Gemini 3.1 Pro y otros

Todos los modelos previamente clasificados fueron reevaluados bajo la nueva metodología basada en Harbor, produciendo un ranking sustancialmente renovado ^DA. El top 10 según Android Bench:

Fuente: Reporte de 9to5Google a partir del ranking actualizado de Android Bench ^A.

Observaciones clave de las posiciones actualizadas:

• Anthropic ocupa tres de los seis primeros puestos (Fable 5, Sonnet 5, Opus 4.8), lo que le otorga la alineación general más sólida ^A.
• GPT 5.5 de OpenAI es el competidor individual más cercano con 80.2, pero está 4.3 puntos por detrás y tiene casi el doble de latencia que Fable 5 ^A.
• Gemini 3.1 Pro Preview de Google se ubica en el 5º lugar con 73.7, detrás de los dos modelos principales de Anthropic y de ambas entradas de OpenAI ^A. La versión más ligera Gemini 3.5 Flash se sitúa aún más abajo, en el 8º lugar, con un costo y latencia notablemente altos ^A.
• Kimi K2.7 Code ofrece el costo más bajo ($48.10) pero la precisión más baja (70.4) entre los 10 primeros, lo que ilustra la compensación más clara entre costo y precisión ^A.

Migración al framework Harbor

Google estandarizó Android Bench en el framework Harbor, un ecosistema de evaluación de código abierto desarrollado por el Instituto Laude, el equipo detrás de Terminal-Bench ^DATG. Anteriormente, Android Bench usaba un arnés personalizado mini-swe-agent v1. Harbor proporciona un pipeline de evaluación estandarizado y basado en contenedores que admite implementación en la nube, envío comunitario de tareas y despliegues de aprendizaje por refuerzo ^ATQ.

La migración significa que todas las puntuaciones de modelos anteriores no son comparables — cada puntuación listada arriba es una evaluación nueva bajo la metodología Harbor ^9A. Google declaró que el movimiento era necesario para mantener los estándares de evaluación a la vanguardia a medida que los LLMs mejoran rápidamente ^D.

Introducción de contribuciones de desarrolladores

Por primera vez, Google ha abierto Android Bench a contribuciones de la comunidad ^9A. Los desarrolladores ahora pueden:

• Enviar tareas reales de desarrollo Android para que se añadan al conjunto de datos del benchmark ^9A.
• Compartir sus propias evaluaciones de benchmarks de modelos utilizando las mismas herramientas de Harbor, permitiendo la comparación directa para casos de uso individuales ^9A.

Google describió esto como una respuesta a la demanda de los desarrolladores de "una forma de proporcionar retroalimentación sobre nuestro conjunto de datos" y un paso hacia una colaboración más profunda con la comunidad de desarrolladores Android ⁹.

Compensaciones entre costo y precisión

El ranking renovado revela un mercado con una dispersión significativa entre los líderes en costo y los líderes en precisión ^A:

• El modelo más preciso (Claude Fable 5, 84.5) cuesta $133.20 por 1,000 tareas.
• El modelo más barato en el top 10 (Kimi K2.7 Code, $48.10) obtiene solo 70.4, una brecha de precisión de 14.1 puntos.
• Gemini 3.5 Flash es la opción más cara ($165.60) y sin embargo obtiene solo 71.1.
• GPT 5.5 ofrece el mejor equilibrio entre alta precisión y costo moderado: 80.2 a $138.30.
• Claude Sonnet 5 ofrece una propuesta de valor de rango medio: 76.2 a $99.90.

Dinámicas competitivas

La actualización de julio de 2026 refuerza una carrera de tres bandos entre Anthropic, OpenAI y Google ^A:

• Anthropic es el claro líder en precisión pura. La puntuación de 84.5 de Fable 5 y la profundidad de Anthropic con tres modelos en el top 6 indican que su inversión en capacidad de codificación específica para Android está dando frutos ^AM.
• OpenAI es el competidor individual más fuerte con GPT 5.5 en 80.2, y GPT 5.4 en 74.1 mantiene una posición respetable, pero OpenAI carece de la profundidad de alineación de Anthropic ^A.
• La línea Gemini de Google va por detrás de ambos competidores en precisión. A pesar de ser propietario del benchmark, los propios modelos de Google ocupan el 5º y 8º lugar, una vulnerabilidad competitiva que la compañía está reconociendo públicamente al abrir el benchmark a la comunidad e invitar al envío de modelos de terceros ^9AA.

Esta es la primera actualización de Android Bench donde un modelo de Anthropic lidera el propio benchmark de Google para codificación Android, un cambio simbólico en el mercado de asistentes de IA para móviles.