安卓编程榜更新：模型效果与成本分化

谷歌更新了 Android Bench，榜首却是 Claude Sonnet 5.5，自家的 Gemini 4 Argon 只排第五。比名次更有用的是：几个模型的完成率都在八成左右，通过率和调用成本却拉开了距离。

对程序员来说，这份榜单提供了一个选模型的切口：除了看任务能否做完，还要看结果能否过关、为此花多少钱。不过，它评估的是安卓编程辅助能力，不能直接当作前端、Node 或通用编程能力排名。

都能完成八成任务，为什么成绩差这么多

Android Bench 于今年年初推出，面向安卓开发场景，考量安卓开发特有的使用方式和最佳实践。谷歌持续加入新模型，也把平均调用成本纳入指标，帮助开发者同时考虑效果与费用。

10 月 26 日的更新补充了 GPT-6 Sol、GPT-6.1 Sol、Claude Sonnet 5、Claude Sonnet 5.5 和 Gemini 4 Argon 的测试结果，还新增了各模型采用的推理等级标注。

报道给出的三组数据很直观：

模型	通过率	完成率	报道所列调用成本
Claude Sonnet 5.5	40%	80.9%	1,574.90 美元
GPT-6.1 Sol	29.3%	82.8%	99.50 美元
Gemini 4 Argon	21.3%	81.8%	267.70 美元

完成率接近，不代表交付质量接近。

GPT-6.1 Sol 的完成率在这三款模型中最高，但通过率仍低于 Claude Sonnet 5.5。Gemini 4 Argon 的完成率也超过八成，通过率却只有 21.3%。

这提示我们，模型把任务执行到结束，和结果满足评测要求，是两回事。不过，报道没有给出两项指标的具体定义、评分规则和失败案例，不能进一步断言差距究竟来自代码正确性、安卓规范，还是其他检查项。

榜首与低成本模型，该怎么选

Claude Sonnet 5.5 以 40% 的通过率位居第一，10 月初加入榜单的 Claude Opus 5.5 排在第二。如果优先考虑这套测试下的通过表现，Claude Sonnet 5.5 有明确优势。

GPT-6.1 Sol 的看点则在成本：通过率为 29.3%，调用成本为 99.50 美元，报道折合约 664.8 元人民币；Claude Sonnet 5.5 的调用成本为 1,574.90 美元，约 10,522 元人民币。

但不能据此给日常 AI 编程直接报价。报道将平均调用成本列为基准指标，却没有交代成本的计算口径、任务规模，以及失败重试如何计费。这里的金额适合在榜单范围内比较，不能理解成修一次 Bug 或完成一个需求的价格。

Gemini 4 Argon 排名第五，低于 Claude Fable 5.1。它的通过率为 21.3%，平均调用成本为 267.70 美元，约 1,789 元人民币。就报道列出的数据看，它相对 GPT-6.1 Sol 同时处于通过率更低、成本更高的位置。

原文还提到，有内部消息称 Gemini 4 Argon「难以处理部分编程任务」，谷歌仍认可其能力。这属于消息转述，没有具体任务和复现材料，不能拿来解释榜单成绩的成因。

我的判断

这份榜单最有价值的地方，是把通过率、完成率、成本和推理等级放到同一个选择框架里。只比较模型名称，容易忽略推理配置和预算对结果的影响。

但它支持的结论有边界。Gemini 4 Argon 在这套安卓测试里落后，并不能证明它在所有编程任务中都落后；Claude Sonnet 5.5 拿到第一，也不代表它一定最适合你的项目。榜首通过率只有 40%，同样提醒读者不要把排名理解为可靠交付的保证。

对于以前端和全栈为主的读者，我更愿意把它当作选型线索。相比直接照榜单购买，用自己项目里的代表性任务做小规模对照，更能回答实际问题。原文没有提供前端、Node 或团队落地的对照数据，不能替它补上这些结论。

能拿来做什么

• 如果你在做安卓开发，可以把 Claude Sonnet 5.5 和 GPT-6.1 Sol 纳入候选，分别验证较高通过率和较低成本是否适合自己的任务。
• 日常使用 AI 编程时，分别记录任务是否结束、代码是否通过检查，避免把模型输出完成当作验收完成。
• 比较模型时，把推理等级和调用费用一起记下来；报道已经新增推理等级标注，但没有展开各模型的具体配置。
• 如果主要写前端或 Node，先用项目中已有的修复、测试和构建任务做对照，再决定是否采用榜单推荐的候选模型。