Claude Fable 5 của Anthropic soán ngôi đầu Android Bench: Google làm mới hoàn toàn bảng xếp hạng AI cho lập trình viên Android

Fable 5 cũng dẫn đầu các tiêu chuẩn đánh giá lập trình rộng hơn trong toàn ngành. Các báo cáo độc lập cho thấy mô hình này đạt 95,0% trên SWE-bench Verified và 80,0% trên SWE-bench Pro, vượt xa các mô hình thế hệ trước . Trên tiêu chuẩn đánh giá lập trình tác nhân Terminal-Bench 2.0, Fable 5 đạt độ chính xác 84,3% . Nhiều bảng xếp hạng độc lập hiện xếp Fable 5 là mô hình AI tổng thể tốt nhất tính đến tháng 7 năm 2026 .

Bảng xếp hạng tổng thể: GPT 5.5, Gemini 3.1 Pro và các mô hình khác

Tất cả các mô hình từng được xếp hạng trước đây đã được đánh giá lại theo phương pháp luận mới dựa trên Harbor, tạo ra một bảng xếp hạng gần như hoàn toàn mới . Top 10 theo Android Bench:

Nguồn: Báo cáo của 9to5Google từ bảng xếp hạng được làm mới của Android Bench .

Những điểm đáng chú ý từ bảng xếp hạng mới:

• Anthropic nắm giữ ba trong sáu vị trí dẫn đầu (Fable 5, Sonnet 5, Opus 4.8), cho thấy đội hình mạnh nhất .
• GPT 5.5 của OpenAI là đối thủ cạnh tranh gần nhất ở mức 80,2 điểm, nhưng kém 4,3 điểm và có độ trễ gần gấp đôi so với Fable 5 .
• Gemini 3.1 Pro Preview của chính Google chỉ đứng thứ 5 với 73,7 điểm, xếp sau cả hai mô hình hàng đầu của Anthropic và cả hai mô hình của OpenAI . Phiên bản nhẹ hơn Gemini 3.5 Flash thậm chí còn xếp thấp hơn ở mức 71,1 với chi phí và độ trễ đáng chú ý .
• Kimi K2.7 Code có chi phí thấp nhất ($48,10) nhưng độ chính xác cũng thấp nhất (70,4) trong top 10, minh họa rõ nhất cho sự đánh đổi giữa chi phí và độ chính xác .

Di chuyển sang khung Harbor

Google đã chuẩn hóa Android Bench trên khung Harbor, một hệ sinh thái đánh giá mã nguồn mở do Viện Laude phát triển, nhóm đứng sau Terminal-Bench . Trước đây, Android Bench sử dụng một bộ công cụ mini-swe-agent v1 tùy chỉnh. Harbor cung cấp một quy trình đánh giá dựa trên container được chuẩn hóa, hỗ trợ triển khai đám mây, gửi tác vụ cộng đồng và triển khai học tăng cường .

Việc di chuyển này đồng nghĩa với việc tất cả điểm số mô hình trước đây đều không thể so sánh được — mọi điểm số được liệt kê ở trên đều là đánh giá mới theo phương pháp Harbor . Google cho biết động thái này là cần thiết để giữ cho các tiêu chuẩn đánh giá luôn hiện đại khi các LLM không ngừng cải tiến .

Giới thiệu tính năng đóng góp từ nhà phát triển

Lần đầu tiên, Google đã mở Android Bench cho đóng góp từ cộng đồng . Các nhà phát triển hiện có thể:

• Gửi các tác vụ phát triển Android thực tế để được thêm vào bộ dữ liệu đánh giá .
• Chia sẻ các đánh giá điểm chuẩn của riêng mình về các mô hình bằng công cụ Harbor tương tự, cho phép so sánh trực tiếp cho các trường hợp sử dụng cá nhân .

Google mô tả đây là phản hồi trước nhu cầu của nhà phát triển muốn "một cách để cung cấp phản hồi về tập dữ liệu của chúng tôi" và là một bước tiến tới sự hợp tác sâu rộng hơn với cộng đồng phát triển Android .

Sự đánh đổi giữa chi phí và độ chính xác

Bảng xếp hạng được làm mới cho thấy một thị trường có sự chênh lệch đáng kể giữa các mô hình dẫn đầu về chi phí và các mô hình dẫn đầu về độ chính xác :

• Mô hình có độ chính xác cao nhất (Claude Fable 5, 84,5) tốn $133,20 cho 1.000 tác vụ.
• Mô hình rẻ nhất trong top 10 (Kimi K2.7 Code, $48,10) chỉ đạt 70,4 điểm, chênh lệch 14,1 điểm độ chính xác.
• Gemini 3.5 Flash là lựa chọn đắt nhất ($165,60) nhưng chỉ đạt 71,1 điểm.
• GPT 5.5 mang lại sự cân bằng tốt nhất giữa độ chính xác cao và chi phí hợp lý: 80,2 điểm với $138,30.
• Claude Sonnet 5 là một lựa chọn giá trị tầm trung: 76,2 điểm với $99,90.

Động lực cạnh tranh

Bản cập nhật tháng 7 năm 2026 củng cố một cuộc đua ba ngả giữa Anthropic, OpenAI và Google :

• Anthropic là nhà lãnh đạo rõ ràng về độ chính xác thuần túy. Điểm số 84,5 của Fable 5 và chiều sâu của Anthropic với ba mô hình trong top 6 cho thấy khoản đầu tư vào khả năng lập trình dành riêng cho Android đang được đền đáp .
• OpenAI là đối thủ cạnh tranh đơn mô hình mạnh nhất với GPT 5.5 ở mức 80,2 điểm, và GPT 5.4 ở mức 74,1 giữ một vị trí đáng nể. Tuy nhiên, OpenAI thiếu chiều sâu đội hình như Anthropic .
• Dòng Gemini của Google tụt lại phía sau cả hai đối thủ về độ chính xác. Dù sở hữu tiêu chuẩn đánh giá này, các mô hình của chính Google chỉ chiếm vị trí thứ 5 và thứ 8 — một điểm yếu cạnh tranh mà công ty đang công khai thừa nhận bằng cách mở cửa tiêu chuẩn đánh giá cho cộng đồng và mời các mô hình của bên thứ ba .

Đây là lần cập nhật Android Bench đầu tiên mà một mô hình của Anthropic dẫn đầu tiêu chuẩn đánh giá của chính Google cho lập trình Android, một sự thay đổi mang tính biểu tượng trên thị trường trợ lý AI di động.