Android LLM 評估機制再進化：Android Bench 的新紀元

今年 3 月，我們推出了 Android Bench，這項 LLM 排行榜可評估模型在實際 Android 開發工作中的表現。我們的目標是讓 Android 開發人員清楚瞭解模型功能，並鼓勵他們改善模型，為日常工作流程提供更多實用的 AI 選項。自此之後，我們根據您的意見回饋，進一步強化了基準，包括評估開放權重模型，並在排行榜中加入成本和效率維度。

但 AI 功能不斷演進，評估方式也必須與時俱進。在 7 月發布的版本中，我們採用了 Harbor 架構，其中包含用於評估模型的基準化代理程式更新版本。

除了調整評估方式，我們也會在 7 月發布的排行榜中，新增 8 個模型 (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)。我們也將分享機會，讓 Android 開發人員社群為基準做出貢獻。

運用 Harbor 架構升級方法

設計 Android Bench 時，我們以當時的領先業界標準為方法論基礎。我們使用一般用途基準化代理程式 mini-swe-agent v1，並根據 Android 開發的細微差異進行調整，為模型在常見 Android 開發工作中的能力提供基準評估。

為持續提供最先進的評估方式，準確評估 Android 開發的最新模型功能，我們將基準標準化為 Harbor 架構。Harbor 定義了標準和整合功能，讓任何人都能輕鬆執行基準測試、評估偏好的設定或分享結果，進一步提升透明度和能見度。

升級後，我們就能更嚴格地評估模型及其功能，並重新執行所有模型的基準測試，建立更新的基準。這表示分數會略有變動，但您仍可在我們網站的封存中查看歷來分數。

為確保 Android Bench 對您有幫助，我們會隨著評估結果和產業發展持續更新。

排行榜新增 8 個模型

為確保排行榜內容與時俱進，我們已在 Android Bench 排行榜中新增 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。

您會看到 Claude Fable 5 以 84.5 分位居排行榜第一，其次是 GPT 5.5，得分 80.2 分，而 Claude Sonnet 5 則以 76.2 分位居第三。

如果只比較開放權重模型，GLM 5.2 以 72.2 分位居第一，Kimi K2.7 Code 則以 70.4 分緊隨其後。

您可以在更新後的排行榜上查看模型效能和效率指標，瞭解這些新舊模型如何解決 Android 專屬的挑戰，例如 Jetpack Compose 遷移、穿戴式裝置網路和平台 API 更新。  

開放社群協作 Android Bench

我們從一開始就重視開放透明的做法，因此在 GitHub 上公開了原始方法和測試架構。您希望提供資料集意見回饋，因此我們進一步加強合作，讓 Android 開發人員社群有機會參與 Android Bench 的開發。

即日起，您可以透過兩種方式為 Android Bench 做出貢獻：

1. 設計並提交自己的 Android 開發工作，評估模型如何處理您重視的情境。
2. 直接執行及分享基準評估，根據我們的資料集或您自己的自訂工作，測試偏好的模型。

我們會審查提交的任務，並評估是否將其新增至基準。我們希望建立的基準能真正反映全球 Android 開發人員社群的多元日常實況。

展望未來

隨著代理程式開發選項越來越多，維持尖端基準可確保您仰賴的 AI 輔助功能持續變得更聰明、實用且有效。請前往我們的 GitHub 存放區查看工作。歡迎將工作提交給我們的團隊審查，並前往 Harbor Hub 探索資料集或提交評估。

如往常一樣，您可以在我們的網站上查看最新排行榜，或閱讀方法。