XNews

谷歌Android Bench 2.0:在真实Android开发任务中评估模型与智能体组合

谷歌Android Bench 2.0:在真实Android开发任务中评估模型与智能体组合

谷歌发布了Android Bench 2.0,这是一个基准测试,用于评估模型-智能体组合在生产应用中的30个真实Android工程任务上的表现。最高分由GPT-6 Astra + Codex和Claude Fable 5.1 + Claude Code获得,最高通过率为28%。所有模型在跨平台迁移和XML到Compose任务上均告失败。

Source posts