Google führte Gemini 4 Argon in der am 26. Oktober 2026 aktualisierten Rangliste von Android Bench 2.0 auf Platz sechs: Die Konfiguration aus Gemini 4 Argon (high) und antigravity-sdk erreichte eine Passrate von 21,3 Prozent. Claude Fable 5.1 lag mit 22,7 Prozent auf Platz fünf. Die Rangfolge bezieht sich auf KI-Agenten bei Android-Entwicklungsaufgaben.
Die sechs bestplatzierten Konfigurationen
Googles Android-Bench-Leaderboard zeigt Passrate, Abschlussrate, Laufzeit und Kosten für dieselben Benchmark-Aufgaben. Die Kosten sind in US-Dollar angegeben.
| Rang | Modell und Agent | Passrate | Leistungsintervall | Abschlussrate | Durchschnittszeit für 30 Aufgaben (Std.) | Kosten je vollständigem Benchmark-Lauf (US$) |
| 1 | Claude Sonnet 5.5 (max), claude-code | 40,0 % | 24,0 bis 56,0 % | 80,9 % | 70,7 | 1.574,9 |
| 2 | Claude Opus 5.5 (max), claude-code | 37,3 % | 22,0 bis 52,0 % | 85,6 % | 56,6 | 1.150,3 |
| 3 | GPT 6.1 Sol (max), codex | 29,3 % | 15,3 bis 42,7 % | 82,8 % | 26,6 | 99,5 |
| 4 | GPT 6 Astra (high), codex | 28,0 % | 13,3 bis 42,0 % | 82,2 % | 7,9 | 375,7 |
| 5 | Claude Fable 5.1 (high), claude-code | 22,7 % | 10,7 bis 36,0 % | 82,4 % | 22,2 | 492,6 |
| 6 | Gemini 4 Argon (high), antigravity-sdk | 21,3 % | 10,0 bis 33,3 % | 81,8 % | 52,8 | 267,6 |
Die Leistungsintervalle von Claude Fable 5.1 und Gemini 4 Argon überschneiden sich deutlich. Die Tabelle ordnet Argon zwar auf Rang sechs ein, doch der kleine Abstand zwischen den Passraten belegt für sich genommen keinen statistisch eindeutigen Leistungsunterschied.
Was Android Bench 2.0 prüft
Google bewertet 30 umfangreiche Aufgaben aus der Android-Entwicklung. Dazu gehören neun Aufgaben zur App-Erstellung, 13 Migrationen, sechs neue Funktionen und zwei Umwandlungen plattformübergreifender Apps in native Android-Apps. Jede Aufgabe wird in fünf unabhängigen Durchläufen bearbeitet.
Eine Passrate zählt vollständige Lösungen. Dafür müssen alle funktionalen Tests bestehen, die visuelle Umsetzung vollständig den Vorgaben entsprechen und sämtliche Einschränkungen eingehalten werden. Die Abschlussrate bildet dagegen kontinuierlich ab, wie weit ein Durchlauf auch ohne vollständigen Erfolg kommt. Google berechnet sie aus funktionalen, regressionsbezogenen, anforderungsspezifischen und visuellen Bewertungen sowie zusätzlichen Strafpunkten.
Passrate, Laufzeit und Kosten richtig einordnen
Passrate und Abschlussrate beantworten unterschiedliche Fragen: Bei Gemini 4 Argon stehen 21,3 Prozent vollständige Lösungen einer Abschlussrate von 81,8 Prozent gegenüber. Die zweite Zahl erfasst auch Fortschritte in Durchläufen, die nicht alle Anforderungen für einen Pass erfüllen.
Auch die Kostenwerte sind keine Preise für Abonnements oder Kosten je erfolgreicher Aufgabe. Google weist durchschnittliche Kosten pro vollständigem Benchmark-Lauf aus und nennt frühe Fehlschläge als möglichen Grund für niedrigere Gesamtkosten. Die API-Preise zum Zeitpunkt der Ausführung fließen ebenfalls ein. Die ausgewiesene durchschnittliche Zeit umfasst Netzwerkübertragungen und hängt damit auch von der Verbindung zu den Anbieter-Servern ab.
Ein Vergleich der ersten und dritten Konfiguration zeigt, wie stark die Messwerte auseinanderlaufen können: Google weist für GPT 6.1 Sol durchschnittliche Laufkosten von 99,5 US-Dollar aus, für Claude Sonnet 5.5 sind es 1.574,9 US-Dollar. Das sind 1.475,4 US-Dollar Differenz; zugleich liegt die Passrate von GPT 6.1 Sol mit 29,3 Prozent um 10,7 Prozentpunkte unter den 40,0 Prozent von Claude Sonnet 5.5. Daraus folgt keine Kostenkennzahl pro erfolgreicher Aufgabe, weil die Gesamtkosten auch von fehlgeschlagenen Durchläufen beeinflusst werden.
Die Rangliste gilt für Android-Entwicklung
Android Bench 2.0 ist eine standardisierte Bewertung für Android-Engineering-Aufgaben. Die Ergebnisse beziehen sich auf die getesteten Aufgaben und die jeweiligen Modell-Agent-Konfigurationen. Google erläutert die Methodik von Android Bench 2.0, einschließlich Aufgabenaufbau, Prüfungen und Bewertungsregeln.
