7月9日，谷歌宣布对其Android Bench代码开发者排行榜进行重大改版，全面引入标准化的Harbor沙箱框架。此举将测试迁移至安全隔离环境，旨在简化全球开发者运行独立评估、定制开发环境及共享数据的流程。伴随架构升级，谷歌通过GitHub向全球开源该基准测试，允许社区提交自定义Android开发任务与模型评估。
然而，在重新测定的基准排名中，谷歌自家模型表现不及预期:Anthropic旗下旗舰模型Claude Fable5以84.5%的准确率荣登榜首，OpenAI的GPT-5.5以80.2%紧随其后;相比之下，谷歌Gemini3.1Pro仅位列第五。
尽管Gemini在测试成本上具备一定优势（单次迭代约87美元，而顶级模型均超130美元），但轻量级模型Gemini3.5Flash在解析百题评估数据集时暴露出严重的效率短板，单次运行耗时达28小时且成本高达165美元。
当前，核心工程项目向自主智能开发工作流程转型已成行业共识，谷歌在本土移动开发基准测试中的落后，无疑为其AI战略推进带来了技术挑战。但Android Bench凭借其客观透明的评测机制以及Harbor框架的开放性，正在逐步确立自身作为行业公认、去营销化的权威AI代码评估平台的地位。
