AnthropicのClaude Fable 5がGoogleのAndroid Benchで首位、コストと精度のトレードオフが明らかに

2026年7月8日、GoogleはAndroid開発向け大規模言語モデル（LLM）の公式リーダーボード「Android Bench」を大幅に更新しました。このアップデートでは、新たにトップとなったモデルの登場、オープンソースの評価フレームワーク「Harbor」への完全移行、コミュニティ参加制度の導入、そしてコストと精度の明確なトレードオフを示す刷新されたランキングが発表されました。

新たなトップモデル：AnthropicのClaude Fable 5

Claude Fable 5はAndroid Benchで84.5のスコアを記録し、2位以下に4ポイント以上の差をつけて首位に立ちました。このスコアは、約39,000件のオープンソースプルリクエストから抽出された100の実Androidコーディングタスクにおけるモデルの精度を反映しています。

Fable 5は業界全体のコーディングベンチマークでもリーダー的存在です。独立したレポートによると、SWE-bench Verifiedで95.0%、**SWE-bench Proで80.0%**を記録し、旧世代モデルを大きく上回っています。エージェント型コーディングベンチマーク「Terminal-Bench 2.0」では84.3%の精度を達成。複数の独立系リーダーボードで、2026年7月時点の総合トップAIモデルにFable 5がランクされています。

全体順位：GPT 5.5、Gemini 3.1 Proなど

従来ランクインしていた全モデルが新しいHarborベースの手法で再評価され、リーダーボードは大幅に刷新されました。Android Benchによるトップ10は以下の通りです。

順位	モデル	スコア	平均レイテンシー（秒）	平均コスト（$/1,000タスク）
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

出典：9to5GoogleによるAndroid Bench更新ランキングの報道。

更新されたランキングの主なポイント：

• Anthropicがトップ6のうち3つのポジション（Fable 5、Sonnet 5、Opus 4.8）を占め、最も強力なラインナップを示しています。
• OpenAIのGPT 5.5は80.2で最上位の対抗馬ですが、4.3ポイント差があり、レイテンシーはFable 5の約2倍です。
• Google自身のGemini 3.1 Pro Previewは73.7で5位と、Anthropicの上位2モデルとOpenAIの2モデルに後れを取っています。軽量版のGemini 3.5 Flashは71.1とさらに低く、コストとレイテンシーも高いのが特徴です。
• Kimi K2.7 Codeはトップ10中最安（$48.10）ながら精度も最低（70.4）で、コスト対精度のトレードオフが最も明確に現れています。

Harborフレームワークへの移行

GoogleはAndroid Benchの評価基盤をHarborフレームワークに統一しました。Harborは、Terminal-Benchの開発元であるLaude Instituteが開発したオープンソースの評価エコシステムです。従来のAndroid Benchはカスタムのmini-swe-agent v1ハーネスを使用していましたが、Harborは標準化されたコンテナベースの評価パイプラインを提供し、クラウドデプロイ、コミュニティによるタスク提出、強化学習の展開などをサポートします。

この移行により、以前の全モデルのスコアは比較不可能となりました。上記のスコアはすべて、Harbor手法による新たな評価です。Googleは、LLMの急速な進歩に対応するため、評価基準を最新の状態に保つ必要があると説明しています。

開発者コミュニティの参加開始

Android Benchは初めてコミュニティからの貢献を受け付けるようになりました。開発者は以下のことが可能です。

• 実Android開発タスクの提出：ベンチマークデータセットに追加されます。
• 独自のベンチマーク評価結果の共有：同じHarborツールを使用し、個々のユースケースに応じた直接比較が可能です。

Googleはこれを、開発者から「データセットにフィードバックを提供する方法」を求める声に応えたものとし、Android開発コミュニティとの連携深化を目指すと述べています。

コスト対精度のトレードオフ

更新されたリーダーボードは、コスト重視と精度重視のモデル間に大きな開きがある市場を示しています。

• 最高精度モデル（Claude Fable 5、84.5）のコストは1,000タスクあたり133.20ドル。
• トップ10中最安のモデル（Kimi K2.7 Code、48.10ドル）のスコアは70.4と、精度差は14.1ポイント。
• Gemini 3.5 Flashは最も高コスト（165.60ドル）でありながら、スコアは71.1に留まります。
• GPT 5.5は高い精度（80.2）と中程度のコスト（138.30ドル）のバランスに優れています。
• Claude Sonnet 5は中間的な価値提案：76.2のスコアで99.90ドル。

競争環境の変化

2026年7月のアップデートは、Anthropic、OpenAI、Googleの三つ巴の競争を鮮明にしています。

• Anthropicは純粋な精度で明確なリーダーです。Fable 5の84.5というスコアと、トップ6に3モデルを送り込む層の厚さは、Android固有のコーディング能力への投資が実を結んでいることを示しています。
• OpenAIはGPT 5.5（80.2）で単一モデルとして最も強力な競争相手であり、GPT 5.4（74.1）も一定のポジションを確保していますが、ラインナップの深さではAnthropicに及びません。
• GoogleのGeminiシリーズは精度で両競合に後れを取っています。自社のベンチマークでありながら、Googleのモデルは5位と8位に位置しており、これは競争上の弱点です。Googleはこれを公に認識し、ベンチマークをコミュニティに開放してサードパーティモデルの提出を歓迎しています。

今回の更新は、AnthropicのモデルがGoogleの自社ベンチマークでトップに立った初めてのケースであり、モバイルAIアシスタント市場における象徴的な変化を示しています。