Anthropic Claude Fable 5 登顶谷歌 Android Bench 排行榜：完整榜单、成本分析及 Harbor 框架更新解读

Fable 5 在更广泛的编码基准测试中也处于领先地位。独立报告显示，它在 SWE-bench Verified 上得分 95.0%，在 SWE-bench Pro 上得分 80.0%，大幅领先于前代模型 。在智能体编码基准测试 Terminal-Bench 2.0 上，Fable 5 的记录准确率为 84.3% 。截至2026年7月，多个独立的排行榜均将 Fable 5 评为总体表现最佳的 AI 模型 。

整体排名：GPT 5.5、Gemini 3.1 Pro 等

所有此前排名的模型都在基于 Harbor 的新方法下重新评估，产生了一个全新的排行榜 。以下是 Android Bench 的前十名：

来源：9to5Google 对 Android Bench 更新排名的报道 。

从更新后的榜单中可以观察到几个关键点：

• Anthropic 占据了前六名中的三个席位（Fable 5, Sonnet 5, Opus 4.8），展现了最强悍的整体实力 。
• OpenAI 的 GPT 5.5 是最接近的单一模型挑战者，得分为80.2，但仍落后4.3分，且延迟几乎是 Fable 5 的两倍 。
• 谷歌自家的 Gemini 3.1 Pro Preview 以73.7分排名第五，落后于 Anthropic 的两款顶级模型和 OpenAI 的两款产品 。其轻量版 Gemini 3.5 Flash 更是以71.1分排在第八位，且成本和延迟都较高 。
• Kimi K2.7 Code 提供了最低的成本（48.10美元），但在前十名中准确率也最低（70.4），这清晰地体现了成本与准确率之间的权衡 。

迁移至 Harbor 框架

谷歌将 Android Bench 的评估标准统一到了 Harbor 框架上。这是一个由 Terminal-Bench 的开发团队 Laude Institute 打造的开源评估生态系统 。此前，Android Bench 使用的是自定义的 mini-swe-agent v1 工具。Harbor 提供了一个标准化的、基于容器的评估流程，支持云端部署、社区任务提交以及强化学习部署 。

这次迁移意味着所有旧模型的分数不具备可比性——上面列出的每一个分数都是在 Harbor 方法下全新评估的结果 。谷歌表示，此举是为了在大语言模型快速迭代的背景下，确保评估标准保持行业领先 。

引入开发者贡献机制

谷歌首次向 社区贡献 开放了 Android Bench 。开发者现在可以：

• 提交真实的 Android 开发任务，用于扩充基准测试数据集 。
• 分享他们使用 Harbor 工具进行的模型评估，从而为特定使用场景提供直接对比 。

谷歌将此举描述为对开发者“希望为我们的数据集提供反馈”需求的回应，以及朝着与 Android 开发社区更深层次合作迈出的一步 。

成本与准确率的权衡

更新后的排行榜揭示了市场在成本领先者和准确率领先者之间存在显著差异 ：

• 准确率最高的模型（Claude Fable 5, 84.5分）每千次任务的成本为133.20美元。
• 前十名中最便宜的模型（Kimi K2.7 Code, 48.10美元）得分仅为70.4分，与榜首之间存在14.1分的准确率差距。
• Gemini 3.5 Flash 是最昂贵的选择（165.60美元），但得分仅为71.1分。
• GPT 5.5 在高准确率和中等成本之间取得了最佳平衡：80.2分，成本为138.30美元。
• Claude Sonnet 5 提供了中端性价比之选：76.2分，成本为99.90美元。

竞争格局

2026年7月的这次更新巩固了 Anthropic、OpenAI 和谷歌 三足鼎立的局面 ：

• Anthropic 在纯准确率方面是明显的领导者。Fable 5 的84.5分以及 Anthropic 在前六名中拥有三款模型的深度，表明其在 Android 特定编码能力上的投入正在获得回报 。
• OpenAI 凭借 GPT 5.5（80.2分）成为最有力的单一模型竞争者，GPT 5.4（74.1分）也占据了一席之地，但 OpenAI 缺乏 Anthropic 那样的阵容深度 。
• 谷歌的 Gemini 系列 在准确率上落后于这两个竞争对手。尽管拥有该基准测试平台，但谷歌自家的模型仅排在第五和第八位——这是一个竞争上的弱点。公司正通过向社区开放基准测试并邀请第三方模型提交来公开承认这一点 。

这是 Android Bench 首次有 Anthropic 的模型在谷歌自家的基准测试中领跑 于 Android 编码任务，这标志着移动 AI 助手市场格局的一个象征性转变。