谷歌更新Android Bench：新增多款LLM，但Gemini仍落后

# Google 更新 Android Bench 基准测试，引入新 LLM，但 Gemini 仍落后 来源：https://arstechnica.com/google/2026/07/google-revamps-android-ai-dev-benchmark-adds-fable-5-and-other-agents/ 代码生成已成为大语言模型（LLM）最热门的应用之一，但并非所有 AI 代理在所有开发任务上都同样出色。Google 今年早些时候创建了一个基准测试，用于评估 LLM 在 Android 应用开发中的表现，而今天，Android Bench（https://developer.android.com/bench）迎来了重大更新。排行榜现已包含大量新模型，并且 Google 采用了一套更易于使用的新框架。开发者受邀自行运行测试并提交反馈，这将可能影响 Android Bench 的未来发展。 尽管 LLM 是流行的编码工具，但它们并非总是正确的。要从大量无效输出中筛选出有用结果，关键在于选择合适的工具。Android Bench 旨在展示哪些 AI 代理在一套包含 100 项 Android 开发任务中表现最佳。自 3 月份推出 Android Bench 以来，Google 新增了成本与效率等指标，并引入了开放权重模型。 为使 Android Bench 保持相关，Google 正在更新测试（https://android-developers.googleblog.com/2026/07/android-bench-llm-measurement.html），增加了八款新模型，包括所有最新的重磅产品：Claude Fable 5、Claude Sonnet 5、Claude Opus 4.8、GLM 5.2、Kimi K2.7 Code、MiniMax M3、Qwen 3.7 Plus 和 Qwen 3.7 Max。 即使在最初发布的 Android Bench 中，Google 的 AI 模型也并非位居榜首——OpenAI 的最新 LLM 略微领先。如今，随着 Google 扩展阵容，Gemini 的情况更加糟糕。在新排行榜中，Gemini 3.1 Pro 排名第五，落后于 GPT 5.4、Claude Sonnet 5 和 Claude Fable 5。事实上，Fable 5 不负众望，以 84.5% 的测试准确率大幅领先。