Google 自家榜单给 Gemini 4 Argon 打分：Android 编码排名第五

Google 在 10 月 26 日更新了自家的 Android Bench 榜单，首次把 Gemini 4 Argon 纳入排名。据 9to5Google 报道，这次更新同时加入了 OpenAI 的 GPT-6 Sol、GPT-6.1 Sol 以及 Claude Sonnet 5、Claude Sonnet 5.5 等模型的结果，并标注了每个模型所使用的推理档位。

Android Bench 于今年年初推出，用一套针对 Android 编码任务的测试来评估各模型在 Android 开发辅助上的表现，测试内容围绕 Android 特有的开发实践设计。榜单在通过率与完成率之外，还把平均成本纳入排名，使它从单纯的能力表变成了能力与价格的二维比较。

更新后的榜首是 Claude Sonnet 5.5，通过率 40%、完成率 80.9%；10 月初进入榜单的 Claude Opus 5.5 位列第二。OpenAI 的 GPT-6.1 Sol 可能更值得注意：通过率 29.3%、完成率 82.8%，平均成本只有 99.50 美元，而榜首方案的对应成本为 1574.90 美元。

Gemini 4 Argon 的首秀并不好看。这款自家模型排在第五位，位于 Claude Sonnet 5.5、Claude Opus 5.5、GPT-6.1 Sol 与 Claude Fable 5.1 之后，通过率 21.3%、完成率 81.8%，平均成本 267.70 美元。9to5Google 的描述直截了当：Google 的旗舰模型大幅落后于其他前沿模型。

这次排名之所以受关注，是因为它与 Google 内部的争议形成了对照。9to5Google 提到，在 Google 宣布 Gemini 4 Argon 之后不久，有内部声音称该模型在处理某些编码任务时比较吃力，而 Google 当时公开为其能力辩护。一份第一方基准把这场争论从传言层面推到了可核查的数字层面。

对开发者来说，厂商公开一份显示自家模型落后的榜单，其实是有用的信号。它说明 Google 愿意把成本与通过率一起摆上台面，也说明编码助手的竞争重心正在从模型能力的单点比拼，转向可接受成本下的可靠性。

接下来的看点是 Gemini 4 Argon 在真实 Android 工程任务中的表现，以及 Google 是否会针对榜单暴露的短板调整训练数据、推理档位或定价策略。榜单本身也会随着各家模型的新版本持续被改写。