Claude Fable 5 คว้าแชมป์ Android Bench: Google เปิดตัวระบบวัดผลใหม่ พร้อมเปรียบเทียบค่าใช้จ่าย AI ช่วยเขียนโค้ด

เมื่อวันที่ 8 กรกฎาคม 2026 ที่ผ่านมา Google ได้ปล่อยอัปเดตครั้งใหญ่สำหรับ Android Bench ซึ่งเป็นกระดานจัดอันดับอย่างเป็นทางการของกูเกิลที่ใช้วัดประสิทธิภาพของโมเดลภาษาขนาดใหญ่ (LLM) ในงานพัฒนาแอปพลิเคชันบน Android ในโลกแห่งความจริง การอัปเดตครั้งนี้มีอะไรสำคัญหลายอย่าง ได้แก่ โมเดลอันดับหนึ่งตัวใหม่, การเปลี่ยนมาใช้ระบบประเมินผลแบบโอเพนซอร์สที่ชื่อว่า Harbor, การเปิดให้นักพัฒนาทั่วไปมีส่วนร่วมจัดส่งโจทย์, และกระดานจัดอันดับรูปแบบใหม่ที่สะท้อนถึงการแลกเปลี่ยนระหว่างต้นทุนและความแม่นยำของแต่ละโมเดลได้อย่างชัดเจน

โมเดลอันดับหนึ่งใหม่: Claude Fable 5 จาก Anthropic

Claude Fable 5 ขึ้นสู่อันดับสูงสุดของ Android Bench ด้วยคะแนน 84.5 คะแนน ทิ้งห่างคู่แข่งอันดับถัดไปกว่า 4 คะแนน คะแนนนี้สะท้อนถึงความแม่นยำของโมเดลในการทำงานเขียนโค้ดแอนดรอยด์ในโลกจริงถึง 100 งาน ซึ่งดึงมาจากพูลคำขอ Pull Request แบบโอเพนซอร์สประมาณ 39,000 รายการ

นอกจากนี้ Fable 5 ยังเป็นผู้นำในการวัดประสิทธิภาพการเขียนโค้ดในวงกว้างทั่วทั้งอุตสาหกรรมอีกด้วย รายงานจากหลายสำนักระบุว่าโมเดลนี้ทำคะแนนได้ 95.0% ในการทดสอบ SWE-bench Verified และ 80.0% ในการทดสอบ SWE-bench Pro ซึ่งสูงกว่าโมเดลรุ่นก่อนหน้าอย่างเห็นได้ชัด ในการวัดประสิทธิภาพแบบ Agentic Coding อย่าง Terminal-Bench 2.0 ทาง Fable 5 ก็ทำได้ถึง 84.3% ปัจจุบัน กระดานจัดอันดับอิสระหลายแห่งจัดให้ Fable 5 เป็นโมเดล AI ที่ดีที่สุดโดยรวม ณ เดือนกรกฎาคม 2026

อันดับในภาพรวม: GPT 5.5, Gemini 3.1 Pro และโมเดลอื่นๆ

โมเดลทั้งหมดที่เคยถูกจัดอันดับไว้ก่อนหน้านี้ถูกประเมินใหม่ทั้งหมดภายใต้วีธีการใหม่ที่ใช้ Harbor ส่งผลให้กระดานจัดอันดับเปลี่ยนไปอย่างมาก 10 อันดับแรกของ Android Bench มีดังนี้:

อันดับ	โมเดล	คะแนน	ความหน่วงเฉลี่ย (วินาที)	ต้นทุนเฉลี่ย ($/1K งาน)
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

ที่มา: รายงานของ 9to5Google จากกระดานจัดอันดับที่อัปเดตแล้วของ Android Bench

ข้อสังเกตสำคัญจากอันดับที่อัปเดต:

• Anthropic ครอง 3 ใน 6 อันดับแรก (Fable 5, Sonnet 5, Opus 4.8) ทำให้มีขุมกำลังโมเดลที่แข็งแกร่งที่สุด
• GPT 5.5 ของ OpenAI เป็นคู่แข่งเดี่ยวที่ใกล้เคียงที่สุด ด้วยคะแนน 80.2 แต่ตามหลังอยู่ 4.3 คะแนน และมีความหน่วงเกือบสองเท่าของ Fable 5
• Gemini 3.1 Pro Preview ของ Google เอง อยู่อันดับ 5 ที่ 73.7 คะแนน ตามหลังทั้งสองโมเดลชั้นนำของ Anthropic และโมเดลของ OpenAI ทั้งคู่ ส่วนโมเดลที่เบากว่าอย่าง Gemini 3.5 Flash รั้งท้ายด้วยคะแนน 71.1 ทั้งที่มีต้นทุนและความหน่วงสูง
• Kimi K2.7 Code ให้ต้นทุนต่ำที่สุด ($48.10) แต่ก็มีความแม่นยำต่ำที่สุด (70.4) ใน 10 อันดับแรก สะท้อนการแลกเปลี่ยนระหว่างต้นทุนและความแม่นยำได้ชัดเจนที่สุด

การย้ายไปใช้เฟรมเวิร์ก Harbor

Google ได้ปรับมาตรฐาน Android Bench โดยใช้ Harbor framework ซึ่งเป็นระบบนิเวศการประเมินผลแบบโอเคนซอร์สที่พัฒนาโดย Laude Institute ทีมเดียวกับที่สร้าง Terminal-Bench ก่อนหน้านี้ Android Bench ใช้แฮร์เนสแบบกำหนดเองที่ชื่อ mini-swe-agent v1 ส่วน Harbor นำเสนอไปป์ไลน์การประเมินผลที่ได้มาตรฐานและใช้คอนเทนเนอร์ ซึ่งรองรับการปรับใช้บนคลาวด์ การส่งโจทย์จากชุมชน และการใช้งานระบบ Reinforcement Learning

การย้ายครั้งนี้หมายความว่าคะแนนเดิมของโมเดลทั้งหมดไม่สามารถนำมาเทียบได้อีกต่อไป — ทุกคะแนนที่แสดงข้างต้นล้วนเป็นการประเมินใหม่ทั้งหมดภายใต้วีธีการของ Harbor Google ระบุว่าการเปลี่ยนแปลงนี้มีความจำเป็นเพื่อให้มาตรฐานการประเมินทันสมัยอยู่เสมอ ในขณะที่ LLM มีการพัฒนาอย่างรวดเร็ว

การเริ่มเปิดรับการมีส่วนร่วมจากนักพัฒนา

เป็นครั้งแรกที่ Google เปิดให้ Android Bench รับการมีส่วนร่วมจากชุมชน นักพัฒนาสามารถ:

• ส่งงานพัฒนา Android จริง เพื่อเพิ่มเข้าไปในชุดข้อมูลมาตรฐาน
• แชร์ผลการประเมินมาตรฐานของตัวเอง เกี่ยวกับโมเดลต่างๆ โดยใช้เครื่องมือ Harbor เดียวกัน ทำให้สามารถเปรียบเทียบโดยตรงสำหรับกรณีการใช้งานของแต่ละคนได้

Google ระบุว่านี่เป็นการตอบสนองต่อความต้องการของนักพัฒนาที่อยากมี "ช่องทางให้ข้อเสนอแนะเกี่ยวกับชุดข้อมูลของเรา" และเป็นก้าวไปสู่ความร่วมมือที่ลึกซึ้งยิ่งขึ้นกับชุมชนนักพัฒนา Android

การแลกเปลี่ยนระหว่างต้นทุนและความแม่นยำ

กระดานจัดอันดับที่รีเฟรชใหม่เผยให้เห็นตลาดที่มีช่องว่างขนาดใหญ่ระหว่างผู้นำด้านต้นทุนและผู้นำด้านความแม่นยำ :

• โมเดลที่มีความแม่นยำสูงสุด (Claude Fable 5, 84.5 คะแนน) มีต้นทุน $133.20 ต่อ 1,000 งาน
• โมเดลที่ถูกที่สุดใน 10 อันดับแรก (Kimi K2.7 Code, $48.10) มีคะแนนเพียง 70.4 ซึ่งเป็นช่องว่างด้านความแม่นยำถึง 14.1 จุด
• Gemini 3.5 Flash เป็นตัวเลือกที่แพงที่สุด ($165.60) แต่กลับมีคะแนนเพียง 71.1
• GPT 5.5 นำเสนอสมดุลที่ดีที่สุดระหว่างความแม่นยำสูงและต้นทุนปานกลาง: 80.2 คะแนน ในราคา $138.30
• Claude Sonnet 5 เป็นตัวเลือกที่คุ้มค่าในช่วงกลาง: 76.2 คะแนน ในราคา $99.90

พลวัตการแข่งขัน

การอัปเดตประจำเดือนกรกฎาคม 2026 ตอกย้ำการแข่งแบบสามเส้าระหว่าง Anthropic, OpenAI และ Google :

• Anthropic เป็นผู้นำที่ชัดเจนในด้านความแม่นยำล้วนๆ คะแนน 84.5 ของ Fable 5 และความลึกของ Anthropic ที่มีสามโมเดลใน 6 อันดับแรก บ่งชี้ว่าการลงทุนด้านความสามารถในการเขียนโค้ดเฉพาะ Android กำลังให้ผลตอบแทนที่ดี
• OpenAI เป็นคู่แข่งโมเดลเดี่ยวที่แข็งแกร่งที่สุด ด้วย GPT 5.5 ที่ 80.2 คะแนน และ GPT 5.4 ที่ 74.1 คะแนนถือเป็นตำแหน่งที่น่านับถือ แต่ OpenAI ขาดความลึกของขุมกำลังโมเดลเท่า Anthropic
• กลุ่มโมเดล Gemini ของ Google ตามหลังคู่แข่งทั้งสองด้านความแม่นยำ แม้จะเป็นเจ้าของมาตรวัดนี้ แต่โมเดลของ Google เองกลับอยู่อันดับ 5 และ 8 ซึ่งเป็นจุดอ่อนทางการแข่งขันที่บริษัทกำลังยอมรับอย่างเปิดเผย ด้วยการเปิดมาตรวัดนี้ให้ชุมชนมีส่วนร่วมและเชิญชวนให้ส่งโมเดลจากบุคคลที่สามเข้ามาทดสอบ

นี่คือครั้งแรกนับตั้งแต่มีการอัปเดต Android Bench ที่ โมเดลจาก Anthropic ขึ้นนำมาตรวัดของ Google เอง สำหรับการเขียนโค้ด Android ซึ่งเป็นสัญญาณเชิงสัญลักษณ์ถึงการเปลี่ยนแปลงในตลาดผู้ช่วย AI บนมือถือ