Na atualização de 26 de outubro de 2026, o placar oficial do Google colocou Gemini 4 Argon em sexto no Android Bench 2.0, com taxa de aprovação de 21,3%. Claude Fable 5.1 ficou em quinto, com 22,7%; as faixas de desempenho exibidas para os dois modelos se sobrepõem.
A classificação e as seis primeiras configurações
O Google avaliou cada modelo junto com um agente de programação específico. Gemini 4 Argon aparece na configuração high com o agente antigravity-sdk. A tabela reúne as seis primeiras configurações do placar, ordenadas pela taxa de aprovação.
| Posição | Modelo e agente | Aprovação | Intervalo de desempenho | Conclusão | Latência média | Custo médio por execução completa |
| 1 | Claude Sonnet 5.5 (max), claude-code | 40,0% | 24,0% a 56,0% | 80,9% | 70,7 h | US$ 1.574,9 |
| 2 | Claude Opus 5.5 (max), claude-code | 37,3% | 22,0% a 52,0% | 85,6% | 56,6 h | US$ 1.150,3 |
| 3 | GPT 6.1 Sol (max), codex | 29,3% | 15,3% a 42,7% | 82,8% | 26,6 h | US$ 99,5 |
| 4 | GPT 6 Astra (high), codex | 28,0% | 13,3% a 42,0% | 82,2% | 7,9 h | US$ 375,7 |
| 5 | Claude Fable 5.1 (high), claude-code | 22,7% | 10,7% a 36,0% | 82,4% | 22,2 h | US$ 492,6 |
| 6 | Gemini 4 Argon (high), antigravity-sdk | 21,3% | 10,0% a 33,3% | 81,8% | 52,8 h | US$ 267,6 |
A posição de Argon vem 1,4 ponto percentual abaixo da de Fable 5.1, mas os intervalos exibidos se sobrepõem. A ordem da tabela é clara; essa diferença, por si só, não estabelece uma vantagem estatisticamente significativa.
O que o Android Bench 2.0 avalia
O método do Google reúne 30 tarefas longas de engenharia Android: 9 de criação de aplicativos, 13 migrações, 6 implementação de novos recursos e 2 conversões de aplicativos multiplataforma para Android. Cada tarefa é executada cinco vezes de forma independente, e os resultados são calculados a partir dessas execuções.
As tarefas rodam em ambientes conteinerizados com dispositivos Android virtuais. O Google combina verificações funcionais automatizadas com avaliação multimodal da interface, que considera a apresentação visual do aplicativo. Para contar como aprovação, uma execução precisa resolver a tarefa por completo, passar nos testes funcionais, cumprir os critérios visuais e não violar restrições.
Aprovação, conclusão, latência e custo medem coisas diferentes
A taxa de aprovação contabiliza tarefas resolvidas por completo. Já a taxa de conclusão é uma pontuação contínua que também registra o progresso em execuções que não passam. Por isso, os 81,8% de conclusão de Gemini 4 Argon não significam que 81,8% das tarefas tenham sido aprovadas: a taxa de aprovação da configuração foi 21,3%.
O custo da tabela é medido em dólares por execução completa do benchmark, não é preço de assinatura nem custo por tarefa resolvida. O Google alerta que uma falha precoce pode reduzir o custo e o tempo acumulados. A latência também inclui o trânsito pela rede, e o custo usa os preços de API vigentes durante a execução. Esses valores descrevem o consumo registrado nesse teste, não uma medida isolada de eficiência.
O alcance da classificação
O Android Bench 2.0 mede combinações de modelo e agente em tarefas de engenharia Android. O resultado de Gemini 4 Argon descreve esse recorte específico, com suas tarefas, verificações e condições de execução.
