Ny topprankad modell: Anthropics Claude Fable 5

Claude Fable 5 ligger nu överst på Android Bench med en poäng på 84,5, en ledning på mer än 4 poäng före närmaste konkurrent . Poängen speglar modellens noggrannhet på en uppsättning av 100 verkliga Android-kodningsuppgifter, hämtade från en pool på cirka 39 000 öppen källkods-pull requests .

Fable 5 leder också bredare kodningsbenchmarks inom hela branschen. Oberoende rapportering visar att den uppnår 95,0 % på SWE-bench Verified och 80,0 % på SWE-bench Pro, långt före tidigare generationers modeller . På den agentiska kodningsbenchmarken Terminal-Bench 2.0 registrerade Fable 5 en noggrannhet på 84,3 % . Flera oberoende ranglistor rankar nu Fable 5 som den bästa AI-modellen totalt sett i juli 2026 .

Övriga placeringar: GPT 5.5, Gemini 3.1 Pro och andra

Alla tidigare rankade modeller har utvärderats på nytt enligt den nya Harbour-baserade metoden, vilket har resulterat i en i stort sett ny ranglista . Topp tio enligt Android Bench:

Källa: 9to5Googles rapportering från Android Benchs uppdaterade ranking .

Viktiga observationer från de uppdaterade placeringarna:

• Anthropic innehar tre av de sex främsta platserna (Fable 5, Sonnet 5, Opus 4.8) och har därmed den starkaste samlade uppställningen .
• OpenAI:s GPT 5.5 är den närmaste enskilda modellutmanaren på 80,2, men ligger 4,3 poäng efter och har nästan dubbelt så hög latens som Fable 5 .
• Googles egen Gemini 3.1 Pro Preview ligger på 5:e plats med 73,7, bakom båda Anthropics toppmodeller och båda OpenAIs bidrag . Den lättare Gemini 3.5 Flash ligger ännu lägre på 71,1 med anmärkningsvärt hög kostnad och latens .
• Kimi K2.7 Code erbjuder den lägsta kostnaden (48,10 $) men också den lägsta noggrannheten (70,4) bland topp 10, vilket tydligt illustrerar avvägningen mellan kostnad och noggrannhet .

Migrering till Harbour-ramverket

Google standardiserade Android Bench på Harbour-ramverket, ett ekosystem med öppen källkod för utvärdering som utvecklats av Laude Institute, teamet bakom Terminal-Bench . Tidigare använde Android Bench en anpassad mini-swe-agent v1-sele. Harbour tillhandahåller en standardiserad, containerbaserad utvärderingspipeline som stöder molndistribution, community-baserad uppgiftsinlämning och förstärkningsinlärningsutrullningar .

Migreringen innebär att alla tidigare modellpoäng inte längre är jämförbara – varje poäng som listas ovan är en ny utvärdering enligt Harbour-metoden . Google uppgav att steget var nödvändigt för att hålla utvärderingsstandarderna i framkant i takt med att LLM:erna snabbt förbättras .

Introduktion av utvecklarbidrag

För första gången har Google öppnat Android Bench för communitybidrag . Utvecklare kan nu:

• Skicka in verkliga Android-utvecklingsuppgifter som läggs till i benchmark-datasetet .
• Dela sina egna benchmarkutvärderingar av modeller med samma Harbour-verktyg, vilket möjliggör direkt jämförelse för individuella användningsfall .

Google beskrev detta som ett svar på utvecklares efterfrågan på ”ett sätt att ge feedback på vårt dataset” och ett steg mot djupare samarbete med Android-utvecklargemenskapen .

Avvägningar mellan kostnad och noggrannhet

Den uppdaterade ranglistan avslöjar en marknad med betydande skillnader mellan kostnadsledare och noggrannhetsledare :

• Den mest noggranna modellen (Claude Fable 5, 84,5) kostar 133,20 $ per 1 000 uppgifter.
• Den billigaste modellen i topp 10 (Kimi K2.7 Code, 48,10 $) uppnår endast 70,4, en skillnad på 14,1 poäng i noggrannhet.
• Gemini 3.5 Flash är det dyraste alternativet (165,60 $) men uppnår bara 71,1.
• GPT 5.5 erbjuder den bästa balansen mellan hög noggrannhet och måttlig kostnad: 80,2 för 138,30 $.
• Claude Sonnet 5 är ett medelprisigt värdealternativ: 76,2 för 99,90 $.

Konkurrensdynamik

Uppdateringen i juli 2026 förstärker en trevägskamp mellan Anthropic, OpenAI och Google :

• Anthropic är den tydliga ledaren när det gäller ren noggrannhet. Fable 5:s poäng på 84,5 och Anthropics djup med tre modeller bland de 6 främsta visar att investeringen i Android-specifik kodningsförmåga lönar sig .
• OpenAI är den starkaste enskilda modellkonkurrenten med GPT 5.5 på 80,2, och GPT 5.4 på 74,1 innehar en respektabel position, men OpenAI saknar Anthropics bredd .
• Googles Gemini-serie ligger efter båda konkurrenterna i noggrannhet. Trots att Google äger benchmarken upptar deras egna modeller 5:e och 8:e plats – en konkurrensmässig svaghet som företaget offentligt erkänner genom att öppna benchmarken för communityn och bjuda in tredjepartsmodeller .

Detta är den första Android Bench-uppdateringen där en Anthropic-modell leder Googles egen benchmark för Android-kodning, ett symboliskt skifte på marknaden för mobila AI-assistenter.

Ny topprankad modell: Anthropics Claude Fable 5

Claude Fable 5 ligger nu överst på Android Bench med en poäng på 84,5, en ledning på mer än 4 poäng före närmaste konkurrent . Poängen speglar modellens noggrannhet på en uppsättning av 100 verkliga Android-kodningsuppgifter, hämtade från en pool på cirka 39 000 öppen källkods-pull requests .

Fable 5 leder också bredare kodningsbenchmarks inom hela branschen. Oberoende rapportering visar att den uppnår 95,0 % på SWE-bench Verified och 80,0 % på SWE-bench Pro, långt före tidigare generationers modeller . På den agentiska kodningsbenchmarken Terminal-Bench 2.0 registrerade Fable 5 en noggrannhet på 84,3 % . Flera oberoende ranglistor rankar nu Fable 5 som den bästa AI-modellen totalt sett i juli 2026 .

Övriga placeringar: GPT 5.5, Gemini 3.1 Pro och andra

Alla tidigare rankade modeller har utvärderats på nytt enligt den nya Harbour-baserade metoden, vilket har resulterat i en i stort sett ny ranglista . Topp tio enligt Android Bench:

Källa: 9to5Googles rapportering från Android Benchs uppdaterade ranking .

Viktiga observationer från de uppdaterade placeringarna:

• Anthropic innehar tre av de sex främsta platserna (Fable 5, Sonnet 5, Opus 4.8) och har därmed den starkaste samlade uppställningen .
• OpenAI:s GPT 5.5 är den närmaste enskilda modellutmanaren på 80,2, men ligger 4,3 poäng efter och har nästan dubbelt så hög latens som Fable 5 .
• Googles egen Gemini 3.1 Pro Preview ligger på 5:e plats med 73,7, bakom båda Anthropics toppmodeller och båda OpenAIs bidrag . Den lättare Gemini 3.5 Flash ligger ännu lägre på 71,1 med anmärkningsvärt hög kostnad och latens .
• Kimi K2.7 Code erbjuder den lägsta kostnaden (48,10 $) men också den lägsta noggrannheten (70,4) bland topp 10, vilket tydligt illustrerar avvägningen mellan kostnad och noggrannhet .

Migrering till Harbour-ramverket

Google standardiserade Android Bench på Harbour-ramverket, ett ekosystem med öppen källkod för utvärdering som utvecklats av Laude Institute, teamet bakom Terminal-Bench . Tidigare använde Android Bench en anpassad mini-swe-agent v1-sele. Harbour tillhandahåller en standardiserad, containerbaserad utvärderingspipeline som stöder molndistribution, community-baserad uppgiftsinlämning och förstärkningsinlärningsutrullningar .

Migreringen innebär att alla tidigare modellpoäng inte längre är jämförbara – varje poäng som listas ovan är en ny utvärdering enligt Harbour-metoden . Google uppgav att steget var nödvändigt för att hålla utvärderingsstandarderna i framkant i takt med att LLM:erna snabbt förbättras .

Introduktion av utvecklarbidrag

För första gången har Google öppnat Android Bench för communitybidrag . Utvecklare kan nu:

• Skicka in verkliga Android-utvecklingsuppgifter som läggs till i benchmark-datasetet .
• Dela sina egna benchmarkutvärderingar av modeller med samma Harbour-verktyg, vilket möjliggör direkt jämförelse för individuella användningsfall .

Google beskrev detta som ett svar på utvecklares efterfrågan på ”ett sätt att ge feedback på vårt dataset” och ett steg mot djupare samarbete med Android-utvecklargemenskapen .

Avvägningar mellan kostnad och noggrannhet

Den uppdaterade ranglistan avslöjar en marknad med betydande skillnader mellan kostnadsledare och noggrannhetsledare :

• Den mest noggranna modellen (Claude Fable 5, 84,5) kostar 133,20 $ per 1 000 uppgifter.
• Den billigaste modellen i topp 10 (Kimi K2.7 Code, 48,10 $) uppnår endast 70,4, en skillnad på 14,1 poäng i noggrannhet.
• Gemini 3.5 Flash är det dyraste alternativet (165,60 $) men uppnår bara 71,1.
• GPT 5.5 erbjuder den bästa balansen mellan hög noggrannhet och måttlig kostnad: 80,2 för 138,30 $.
• Claude Sonnet 5 är ett medelprisigt värdealternativ: 76,2 för 99,90 $.

Konkurrensdynamik

Uppdateringen i juli 2026 förstärker en trevägskamp mellan Anthropic, OpenAI och Google :

• Anthropic är den tydliga ledaren när det gäller ren noggrannhet. Fable 5:s poäng på 84,5 och Anthropics djup med tre modeller bland de 6 främsta visar att investeringen i Android-specifik kodningsförmåga lönar sig .
• OpenAI är den starkaste enskilda modellkonkurrenten med GPT 5.5 på 80,2, och GPT 5.4 på 74,1 innehar en respektabel position, men OpenAI saknar Anthropics bredd .
• Googles Gemini-serie ligger efter båda konkurrenterna i noggrannhet. Trots att Google äger benchmarken upptar deras egna modeller 5:e och 8:e plats – en konkurrensmässig svaghet som företaget offentligt erkänner genom att öppna benchmarken för communityn och bjuda in tredjepartsmodeller .

Detta är den första Android Bench-uppdateringen där en Anthropic-modell leder Googles egen benchmark för Android-kodning, ett symboliskt skifte på marknaden för mobila AI-assistenter.