Google situó a Gemini 4 Argon en sexto lugar, con una tasa de aprobación del 21,3 %, en los resultados de Android Bench 2.0 publicados el 26 de octubre de 2026. Claude Fable 5.1 quedó quinto, con un 22,7 %, según la clasificación oficial de Android Bench. El puesto corresponde a una prueba de ingeniería para Android, no a una clasificación general de programación.
Gemini 4 Argon ocupa el sexto puesto
Google registró Gemini 4 Argon en configuración high, con el agente antigravity-sdk. Su intervalo esperado de rendimiento fue del 10,0 al 33,3 %. El de Claude Fable 5.1, situado justo por delante, fue del 10,7 al 36,0 %. Los intervalos se solapan; el orden de la tabla es claro, pero esas cifras no demuestran que la diferencia de 1,4 puntos porcentuales sea estadísticamente significativa.
La tabla reúne las seis configuraciones de Android Bench 2.0 que Google mostraba en esa actualización. El coste corresponde a una ejecución completa del benchmark y está expresado en dólares estadounidenses.
| Modelo y agente | Aprobación | Intervalo esperado | Finalización | Latencia media | Coste medio por ejecución completa |
Claude Sonnet 5.5 (max) / claude-code | 40,0 % | 24,0 a 56,0 % | 80,9 % | 70,7 h | 1.574,9 US$ |
Claude Opus 5.5 (max) / claude-code | 37,3 % | 22,0 a 52,0 % | 85,6 % | 56,6 h | 1.150,3 US$ |
GPT 6.1 Sol (max) / codex | 29,3 % | 15,3 a 42,7 % | 82,8 % | 26,6 h | 99,5 US$ |
GPT 6 Astra (high) / codex | 28,0 % | 13,3 a 42,0 % | 82,2 % | 7,9 h | 375,7 US$ |
Claude Fable 5.1 (high) / claude-code | 22,7 % | 10,7 a 36,0 % | 82,4 % | 22,2 h | 492,6 US$ |
Gemini 4 Argon (high) / antigravity-sdk | 21,3 % | 10,0 a 33,3 % | 81,8 % | 52,8 h | 267,6 US$ |
Qué tareas mide Android Bench 2.0
Android Bench 2.0 evalúa 30 tareas largas de ingeniería para Android: nueve de creación de aplicaciones, trece migraciones, seis funciones nuevas y dos conversiones de aplicaciones entre plataformas. Google ejecuta cada tarea cinco veces de forma independiente, en entornos contenerizados con dispositivos Android virtuales. La evaluación combina pruebas funcionales deterministas con comprobaciones multimodales de la interfaz.
La tasa de aprobación mide qué porcentaje de las tareas se resuelve por completo. Para aprobar, una ejecución debe obtener la puntuación máxima, superar las pruebas funcionales, cumplir plenamente los requisitos visuales y respetar todas las restricciones. La tasa de finalización es una medida continua del progreso, incluso cuando una ejecución no aprueba; incluye puntuaciones funcionales, de regresión, requisitos y revisión visual, además de penalizaciones.
Por eso, Argon puede tener un 21,3 % de aprobación y un 81,8 % de finalización: las métricas describen resultados distintos. La primera cuenta tareas resueltas por completo; la segunda también refleja el trabajo parcial.
Qué dicen el coste y la latencia
Google registra para Gemini 4 Argon un coste medio de 267,6 US$ y una latencia media de 52,8 horas por ejecución completa del benchmark. Son métricas brutas del conjunto de pruebas, no el coste por tarea resuelta ni el precio de una suscripción. Google advierte que un fallo temprano puede reducir los recursos consumidos; la latencia incluye el tránsito por la red y el coste depende de los precios de API vigentes cuando se ejecutaron las pruebas.
La metodología de Android Bench 2.0 permite interpretar esas cifras junto con la tasa de aprobación y la de finalización. Por ejemplo, GPT 6.1 Sol aparece con un coste de 99,5 US$ y una aprobación del 29,3 %, mientras que Claude Sonnet 5.5 registra 1.574,9 US$ y un 40,0 %. La diferencia de coste no mide por sí sola cuál resuelve tareas de forma más eficiente: intervienen también los resultados y las condiciones de ejecución.
El puesto de Argon describe su resultado en tareas de ingeniería Android. Otra evaluación puede comparar modelos con criterios distintos, como la comparación de Gemini 4 Argon en Intelligence Index.
