7月9日，谷歌突然对Android Bench代码开发者排行榜来了次大改版——全面引入标准化的Harbor沙箱框架。这次调整将测试迁移到安全隔离环境，目的很明确：让全球开发者跑独立评估、定制开发环境、共享数据，流程更顺畅。伴随架构升级，谷歌还通过GitHub向全球开源了这套基准测试，允许社区提交自定义的Android开发任务与模型评估。

不过，排名重新测定后，谷歌自家模型的表现有点尴尬。Anthropic旗下的旗舰模型Claude Fable5以84.5%的准确率拿下第一，OpenAI的GPT-5.5以80.2%紧随其后。相比之下，谷歌的Gemini 3.1 Pro只排到第五。虽然Gemini在测试成本上有点优势——单次迭代约87美元，而顶级模型普遍超过130美元——但轻量级的Gemini 3.5 Flash在解析百题评估数据集时，效率短板暴露得很明显：单次运行耗时28小时，成本还飙到165美元。

当前，核心工程项目向自主智能开发工作流程转型，已经是行业共识。谷歌在本土移动开发基准测试上落后，无疑给它的AI战略推进带来了技术挑战。但话说回来，Android Bench凭借客观透明的评测机制，加上Harbor框架的开放性，正在逐步确立自己作为行业公认、去营销化的权威AI代码评估平台的地位。