קלוד פייבל 5 של Anthropic מוביל את דירוג Android Bench של גוגל — ניתוח מלא של עלויות, ביצועים ומשחק הכוחות החדש

ב-8 ביולי 2026, גוגל פרסמה עדכון משמעותי ל-Android Bench — לוח המחוונים הרשמי שלה להערכת מודלי שפה גדולים (LLMs) במשימות פיתוח אנדרואיד אמיתיות ^D9. העדכון מביא מודל חדש בראש הטבלה, מעבר מלא למסגרת ההערכה הפתוחה Harbor, מערכת תרומות קהילתית, ולוח מחוונים רענן שחושף את יחסי העלות-דיוק החדים ^DA.

המודל המוביל החדש: קלוד פייבל 5 של Anthropic

קלוד פייבל 5 נמצא כעת בראש Android Bench עם ציון 84.5, יתרון של יותר מ-4 נקודות על המתחרה הבא ^DA. הציון משקף את דיוק המודל במבחן של 100 משימות קוד אנדרואיד אמיתיות שנלקחו ממאגר של כ-39,000 בקשות משיכה (pull requests) מקוד פתוח ^DG.

פייבל 5 מוביל גם במבחני קידוד רחבים יותר בתעשייה. דיווחים עצמאיים מראים ציון של 95.0% ב-SWE-bench Verified ו-80.0% ב-SWE-bench Pro, הרבה מעבר למודלים מהדור הקודם ^WLM. במבחן הקידוד האוטונומי Terminal-Bench 2.0, פייבל 5 רשם דיוק של 84.3% ^WB. לוחות מחוונים עצמאיים מרובים מדרגים כעת את פייבל 5 כמודל הבינה המלאכותי הטוב ביותר נכון ליולי 2026 ^BB.

תמונת מצב רחבה יותר: GPT 5.5, Gemini 3.1 Pro ואחרים

כל המודלים שדורגו בעבר הוערכו מחדש תחת המתודולוגיה החדשה של Harbor, מה שיצר לוח מחוונים מחודש משמעותית ^DA. עשרת המובילים לפי Android Bench:

מקום	מודל	ציון	זמן השהיה ממוצע (שניות)	עלות ממוצעת ($/1,000 משימות)
1	קלוד פייבל 5 (Anthropic)	84.5	8.0	$133.20
2	GPT 5.5 (OpenAI)	80.2	15.7	$138.30
3	קלוד סונט 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 (גוגל)	73.7	10.6	$87.40
6	קלוד אופוס 4.8 (Anthropic)	72.4	6.7	$88.00
7	GLM 5.2	72.2	38.9	$117.00
8	Gemini 3.5 Flash (גוגל)	71.1	28.3	$165.60
9	Kimi K2.7 Code	70.4	31.8	$48.10

מקור: דיווח של 9to5Google על הדירוגים המעודכנים של Android Bench ^A.

תצפיות מרכזיות מהדירוג המעודכן:

• ל-Anthropic יש שלושה מתוך ששת המקומות הראשונים (פייבל 5, סונט 5, אופוס 4.8), מה שמעניק לה את המערך החזק ביותר ^A.
• GPT 5.5 של OpenAI הוא המתחרה היחיד הקרוב ביותר עם 80.2, אך מפגר ב-4.3 נקודות ובעל זמן השהיה כמעט כפול מפייבל 5 ^A.
• Gemini 3.1 Pro Preview של גוגל נמצא במקום החמישי עם 73.7, מאחורי שני המודלים המובילים של Anthropic ושני הדגמים של OpenAI ^A. ה-Gemini 3.5 Flash הקל יותר נמצא נמוך עוד יותר במקום השמיני עם 71.1 ועלות וזמן השהיה גבוהים במיוחד ^A.
• Kimi K2.7 Code מציע את העלות הנמוכה ביותר (48.10 דולר) אך את הדיוק הנמוך ביותר (70.4) בעשירייה הראשונה, וממחישה את יחסי עלות-דיוק החדים ביותר ^A.

המעבר למסגרת Harbor

גוגל סטנדרטה את Android Bench על מסגרת Harbor, מערכת אקולוגית להערכה בקוד פתוח שפותחה על ידי מכון לודה (Laude Institute), הצוות מאחורי Terminal-Bench ^DATG. בעבר, Android Bench השתמש בהרצת מבחנים מותאמת אישית בשם mini-swe-agent v1. Harbor מספקת צינור הערכה סטנדרטי מבוסס קונטיינרים התומך בפריסה בענן, הגשת משימות קהילתית והטמעות של למידת חיזוק ^ATQ.

המשמעות: כל הציונים הקודמים אינם ניתנים להשוואה — כל ציון ברשימה לעיל הוא הערכה חדשה תחת מתודולוגיית Harbor ^9A. גוגל מסרה כי המהלך נחוץ כדי לשמור על תקני הערכה עדכניים ככל שה-LLMs משתפרים במהירות ^D.

הצגת תרומות מפתחים

לראשונה, גוגל פתחה את Android Bench לתרומות קהילתיות ^9A. מפתחים יכולים כעת:

• לשלוח משימות פיתוח אנדרואיד אמיתיות שיתווספו למערך הנתונים של המבחן ^9A.
• לשתף הערכות בנצ'מארק משלהם של מודלים תוך שימוש בכלי Harbor, מה שמאפשר השוואה ישירה עבור מקרי שימוש אישיים ^9A.

גוגל תיארה את המהלך כתגובה לבקשות מפתחים ל"דרך לספק משוב על מערך הנתונים שלנו" וצעד לקראת שיתוף פעולה עמוק יותר עם קהילת מפתחי האנדרואיד ⁹.

יחסי עלות-דיוק

לוח המחוונים הרענן חושף שוק עם פערים משמעותיים בין מובילי העלות למובילי הדיוק ^A:

• המודל המדויק ביותר (קלוד פייבל 5, 84.5) עולה 133.20 דולר ל-1,000 משימות.
• המודל הזול ביותר בעשירייה הראשונה (Kimi K2.7 Code, 48.10 דולר) מקבל ציון של 70.4 בלבד — פער של 14.1 נקודות דיוק.
• Gemini 3.5 Flash הוא האופציה היקרה ביותר (165.60 דולר) אך מקבל ציון של 71.1 בלבד.
• GPT 5.5 מציע את האיזון הטוב ביותר של דיוק גבוה ועלות מתונה: 80.2 ב-138.30 דולר.
• קלוד סונט 5 מספק אופציית ערך בינונית: 76.2 ב-99.90 דולר.

דינמיקה תחרותית

עדכון יולי 2026 מחזק מרוץ תלת-כיווני בין Anthropic, OpenAI וגוגל ^A:

• Anthropic היא המנהיגה הברורה בדיוק טהור. הציון 84.5 של פייבל 5 והעומק של Anthropic עם שלושה מודלים בששת המקומות הראשונים מאותתים שהשקעתה ביכולות קידוד ייעודיות לאנדרואיד משתלמת ^AM.
• OpenAI היא המתחרה החזקה ביותר במודל יחיד עם GPT 5.5 ב-80.2, ו-GPT 5.4 ב-74.1 מחזיק בעמדה מכובדת, אך ל-OpenAI חסר העומק של Anthropic ^A.
• סדרת Gemini של גוגל מפגרת אחרי שתי המתחרות בדיוק. למרות שגוגל היא הבעלים של המבחן, המודלים שלה תופסים את המקומות החמישי והשמיני — פגיעות תחרותית שהחברה מכירה בה בפומבי על ידי פתיחת המבחן לקהילה והזמנת הגשות של מודלים צד שלישי ^9AA.

זהו עדכון Android Bench הראשון שבו מודל של Anthropic מוביל את המבחן של גוגל עצמה לקידוד אנדרואיד — מעבר סמלי בשוק הסייעות הניידות מבוססות בינה מלאכותית.