Anthropic 的 Claude Fable 5 在 Google Android Bench 奪冠：完整榜單、成本效益分析與 Harbor 框架遷移影響

2026 年 7 月 8 日，Google 發布了 Android Bench 的重大更新——這是其官方針對大型語言模型在真實 Android 開發任務上表現的評比排行榜 。此次更新帶來了新的冠軍模型、全面遷移至開源的 Harbor 評估框架、全新的社群貢獻系統，以及一張能清楚反映成本與準確度之間取捨關係的全新排行榜 。

新任冠軍：Anthropic 的 Claude Fable 5

Claude Fable 5 以 84.5 的分數登上 Android Bench 榜首，領先第二名超過 4 分 。該分數反映了模型在一套 100 個真實 Android 編碼任務中的準確度，這些任務是從約 39,000 個開源拉取請求的資料庫中選出的 。

Fable 5 在更廣泛的編碼基準測試中也處於業界領先地位。獨立報導顯示，它在 SWE-bench Verified 上獲得 95.0%，在 SWE-bench Pro 上獲得 80.0%，大幅領先前一代模型 。在自主代理編碼基準測試 Terminal-Bench 2.0 上，Fable 5 記錄了 84.3% 的準確率 。截至 2026 年 7 月，多個獨立排行榜已將 Fable 5 評為整體最佳 AI 模型 。

更廣泛的排名：GPT 5.5、Gemini 3.1 Pro 及其他

所有先前排名過的模型都已在新的 Harbor 方法論下重新評估，產生了大幅更新的排行榜 。根據 Android Bench，前十名如下：

排名	模型	分數	平均延遲 (秒)	平均成本 ($/千項任務)
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

來源：9to5Google 根據 Android Bench 更新後的排名報導 。

從更新後的排名中可以觀察到幾個關鍵點：

• Anthropic 佔據了前六名中的三個席次（Fable 5、Sonnet 5、Opus 4.8），擁有最堅強的整體陣容 。
• OpenAI 的 GPT 5.5 是差距最小的單一模型挑戰者，得分 80.2，但仍落後 4.3 分，且延遲時間幾乎是 Fable 5 的兩倍 。
• Google 自家的 Gemini 3.1 Pro Preview 以 73.7 分排名第五，落後於 Anthropic 的兩個頂尖模型和 OpenAI 的兩個模型 。較輕量的 Gemini 3.5 Flash 排名更低（71.1 分），且成本和延遲都明顯較高 。
• Kimi K2.7 Code 提供了最低的成本（48.10 美元），但在前十名中準確率也最低（70.4 分），最清楚地說明了成本與準確度之間的取捨關係 。

遷移至 Harbor 框架

Google 將 Android Bench 標準化到 Harbor 框架上，這是一個由 Terminal-Bench 開發團隊 Laude Institute 打造的開源評估生態系統 。此前，Android Bench 使用的是客製化的 mini-swe-agent v1 測試工具。Harbor 提供了一個標準化、基於容器的評估管道，支援雲端部署、社群任務提交以及強化學習的部署 。

這次遷移意味著所有先前的模型分數都不再具有可比性——上面列出的每個分數都是根據 Harbor 方法論重新評估的結果 。Google 表示，隨著大型語言模型的快速進步，此舉是為了讓評估標準保持在最先進的水平 。

引入開發者貢獻機制

Google 首次將 Android Bench 開放大眾進行社群貢獻 。開發者現在可以：

• 提交真實的 Android 開發任務，這些任務將被添加至基準測試資料集 。
• 分享他們自己對模型的基準測試評估，使用相同的 Harbor 工具，從而有助於為個人使用案例進行直接比較 。

Google 將此描述為對開發者「提供一種回饋我們資料集的方式」需求的回應，也是朝著與 Android 開發社群進行更深層次合作邁出的一步 。

成本與準確度的取捨

更新後的排行榜揭示了一個在成本領先者和準確度領先者之間存在巨大差異的市場 ：

• 準確度最高的模型（Claude Fable 5，84.5 分）每千項任務成本為 133.20 美元。
• 前十名中最便宜的模型（Kimi K2.7 Code，48.10 美元）得分僅為 70.4，存在 14.1 分的準確度差距。
• Gemini 3.5 Flash 是最昂貴的選擇（165.60 美元），但得分僅為 71.1。
• GPT 5.5 在高準確度和中等成本之間提供了最佳平衡：80.2 分，成本 138.30 美元。
• Claude Sonnet 5 提供了一個中階的價值選擇：76.2 分，成本 99.90 美元。

競爭動態

2026 年 7 月的更新強化了 Anthropic、OpenAI 和 Google 之間的三方競賽 ：

• Anthropic 在純準確度方面是明顯的領導者。Fable 5 的 84.5 分以及 Anthropic 在前六名中擁有三個模型的深度，顯示其在 Android 特定編碼能力上的投資正在產生回報 。
• OpenAI 是實力最強的單一模型競爭者，GPT 5.5 得分 80.2，而 GPT 5.4 的 74.1 分也佔據了體面的位置，但 OpenAI 缺乏 Anthropic 那樣的陣容深度 。
• Google 的 Gemini 系列在準確度上落後於兩個競爭對手。儘管擁有該基準測試，Google 自己的模型卻只佔據了第五和第八名——這是一個競爭劣勢，而該公司正透過向社群開放基準測試並邀請第三方模型提交來公開承認這一點 。

這是首次有 Anthropic 的模型在 Google 自家的 Android 編碼基準測試中領先，這象徵著行動 AI 助手市場的權力轉移。