Google Android Bench 2.0 发布：GPT 6 Astra 通过率 28% 居首
sandersted · x · 2026-09-23
Google 官方推出 Android Bench 2.0，新增长程任务（long-horizon）结果，用专门 agent 考察顶尖模型在真实 Android 应用开发上的能力，覆盖 30 个任务，报告通过率、完成率、平均耗时与成本：
- GPT 6 Astra + codex：通过率 28.0%，耗时 7.9 小时，成本 $375.7，居首
- Claude Fable 5.1 + claude-code：22.7%，22.2 小时，$492.6
- GPT 5.6 Sol + codex：19.3%，8.6 小时，$235.8
- Claude Opus 5：16.7%，27 小时，$861.4（最贵最慢）
- Qwen3.8 Max：14.0%，47.2 小时，$260.2
- Kimi K3：12.0%，66.2 小时
- Gemini 3.8 Flash：8.0%，但只要 12.1 小时
该基准聚焦 Android 开发特有的挑战，现有通用基准未覆盖，旨在衡量高质量 Android 开发这一「北极星」。
「编程与Agent」频道最新
- 大字典典断言毁测试可读性，Syrupy 快照让 pytest 保持整洁 — KhuyenTran16 · 2026-09-23
- pytest 断言越写越长？用 Syrupy 快照文件让大输出测试恢复可读 — KhuyenTran16 · 2026-09-23
- Netlify AI Gateway 上线 Claude Opus 5.5，零配置即可在 Functions 中调用 — thisiskp_ · 2026-09-23
- LLM 评测分数抖动别瞎追：用 20 行 Python 自举置信区间 — bgoncalves · 2026-09-23
- Jev API 实验清单热传:桌面自动化、玩马里奥、控无人机五个上手项目 — blaizedsouza · 2026-09-23
- 把 agent 接到外部服务前，先用这个 prompt 核对账号与环境 — gethackteam · 2026-09-23