Google、Android Bench 2.0を発表——実Android開発タスクでモデルとエージェントの組み合わせを評価

GoogleはAndroid Bench 2.0を公開した。これは、実際のプロダクションアプリから抽出した30のAndroidエンジニアリングタスクにおいて、モデルとエージェントのペアを測定するベンチマークである。最高スコアはGPT-6 Astra + CodexおよびClaude Fable 5.1 + Claude Codeで、最高合格率は28%だった。すべてのモデルは、クロスプラットフォーム移行およびXML-to-Composeタスクで失敗した。