谷歌的安卓编程榜更新：Gemini 4 Argon 首秀排第六

Android Bench 是谷歌为安卓开发做的工程基准。2.0 版的“长程任务”把 30 个任务放在真实仓库上：给一个“模型＋agent”组合提需求，让它在真正的安卓项目里完成功能、迁移或修整——任务取自 Signal、Bitwarden、WordPress、Pocket Casts、Now in Android、Food Vibes、Fossify File Manager 这些真实应用，分迁移（13）、应用创建（10）、新功能（5）和应用转换（2）四类，每个任务跑 5 次。页面对每个组合给五个数：通过率（30 个任务在所有 run 里成功解决的平均百分比）、置信区间（p 值小于 0.05）、完成率（即使失败，离完整方案有多近）、平均耗时（跑完 30 个任务的小时数）和单轮平均成本。

10 月 26 日的更新有三件事，官方 Changelog 写得明白：结果开始标注所用推理等级；三个新组合上榜——claude-code 跑 Claude Sonnet 5.5、antigravity-sdk 跑 Gemini 4 Argon、codex 跑 GPT 6.1 Sol；同时归档了 Claude Sonnet 5 与 GPT 6 Sol（后者 10 月 6 日才加入，被 6.1 Sol 接替）。长程任务榜现在有 11 行。IT之家 10 月 28 日的报道把这些数字带到了中文读者面前，但两处与官方页对不上：报道说 Argon“排在第五位”，官方 11 行里它是第六；报道把 GPT-6 Sol 列入本轮新增，官方 Changelog 记的是 10 月 6 日加入、10 月 26 日归档。本文一律按官方页记。

• 打开 Android Bench 官方榜单页 ↗

Argon 的首秀成绩：通过率 21.3%（置信区间 10.0–33.3），完成率 81.8%，平均耗时 52.8 小时，单轮成本 267.6 美元——推理档位标注为 high，跑在谷歌自家的 antigravity-sdk 上，11 个组合里排第六。榜首 Claude Sonnet 5.5（max）是 40.0%，第二名是同门 Claude Opus 5.5（37.3%）。要先说清的是：与前一名 Claude Fable 5.1（22.7%）的差距，落在两个组合互相重叠的置信区间里——按官方 p＜0.05 的口径，这一名之差算不上确定的强弱；“大幅落后”成立的地方是前两名对身后：40.0 对 21.3，接近两倍。

把这张表放进站内已有的线索里，分化点就很具体。站内 AA 综合能力榜的记录里（10 月 27 日观察），Argon 的 53 分与 Claude Fable 5.1、GPT-6 Astra 同档，距 Sonnet 5.5 的 56 只差 3 分——综合分上它们是近邻。换到这份安卓长程榜：Sonnet 5.5 是 40.0，Argon 是 21.3，差距拉到近一倍；倒是 Astra（28.0）与 Fable 5.1（22.7）仍与 Argon 相邻。也就是说，综合分接近的一批模型，在“真实仓库里做长程工程”这一类任务上被拉开了——被拉开最远的是 Argon 对 Claude 前两代旗舰。官宣后曾有“难以处理部分编程任务”的内部消息流传（IT之家转述），现在这有了一份公开的、谷歌自己给出的数字。

• 看 Gemini 4 Argon 模型条目 →

按它自己的口径，至少有四件事要先摆平。一，测的是“模型＋agent”组合——claude-code、codex、antigravity-sdk、qwen-coder、kimi-code 各带自家模型上场，同一模型换 agent 就是另一行成绩；Argon 走谷歌自家的 antigravity-sdk。二，推理等级这次虽然标了，但三档混排：前三个名次是 max，Argon、Fable 5.1、Astra 是 high，Qwen3.8 Max 和 GPT 6 Luna 是 default——相邻名次先对齐档位再比。三，置信区间都很宽（榜首 24.0–56.0），个位数的名次差大多不构成统计区分。四，成本是正表指标：榜首与第三名之间 15.8 倍的单轮成本差（1574.9 对 99.5 美元），是这张表里最刺眼的一格——Argon 的 267.6 美元比榜首便宜八成多，但比名次更高的 6.1 Sol 贵约 1.7 倍。

耗时容易被忽略：Argon 的 52.8 小时排在慢的一方，比它更慢的只有 Sonnet 5.5（70.7）、Kimi K3（66.2）和 Opus 5.5（56.6）；同榜的 Astra 用 7.9 小时拿到 28.0%——更快，名次也更高。完成率一列前六名挤在 80.9–85.6 之间，说明拉开差距的不是“做不下去”，而是最后一关：按官方定义，完成率衡量失败的那些 run 离完整方案有多近，Argon 的多数 run 走到了接近完成、卡在测试或校验上。逐任务结果还给出了全榜共同的难度标记：官方页目前载有的各组合逐任务表里，“把 Flutter 项目转成原生安卓”的 Habo 任务没有任何组合通过（全部 0/5），React Native 转安卓只有一组拿到 2/5，Signal 电话号码输入的 Compose 迁移最多 1/5。另外别把两代口径混算：页面下方的 1.0 任务结果（100 个任务、9 月世代模型、Claude Opus 5 以 91.8% 居首）是存档，与 2.0 的 30 任务长程榜不可比。

• 展开官方页看逐任务结果 ↗

口径先钉住：本文全部数字来自 Android Bench 官方页，谷歌报告、本站 10 月 28 日直读；本站没有运行任何模型或 agent，这不是独立复核，而是对官方发布的准确转述。榜单本身在动：9 月 17 日上线长程任务与 agent 口径，10 月 6 日与 10 月 26 日两轮换血——引用这些数字要带日期。谷歌在自己的安卓主场给自己家的模型测出第六，并把归档、换血记录全部公开，这份透明度值得记录；但它仍是一家厂商自设的基准，任务集和 agent 选择都由谷歌决定。IT之家是本轮的发现线索，两处出入已按官方页更正。

站内三张独立榜单（AA 综合能力、Pi 编程、Physics-IQ 物理）口径各管各的，Android Bench 不并入其中——它不在本站持续跟踪的榜单范围，本轮也不改模型目录分数；Argon 的 AA 53 分与原观察日期保留。想在站内接着看：既有 Argon 文章的“自动化、终端编程与综合分分开看”一章，讲的正是同一件事的上一集——通用分接近的模型，具体任务上可能换一副面孔；今早的 Genie 4 一文里，Argon 在世界模型实验中承担的是与 Gemini Robotics 配合的推理层。同一批模型，榜单不同、任务不同，名次和用法都不同——这是本轮最值得带走的一句话。

• 接看：综合分与自动化任务分开看（站内既有对照） →
• 接看：Genie 4 与 Argon 的世界模型实验 →