北京时间 11 月 10 日凌晨，谷歌 Android 开发者官方账号在 X 平台宣布向 Android Bench 榜单新增三款模型的跑分，分别是 OpenAI 的 GPT-6.1 Terra、月之暗面的 Kimi K3.1 Pro 与 DeepSeek 的 V4.1 Flash。 新三款的成绩是：GPT-6.1 Terra 通过率 28.7% 居首，Kimi K3.1 Pro 为 24.0%、平均完成度 82.3%，DeepSeek V4.1 Flash 1017 为 17.3%、完成度 71.2%。 但整张榜单的头名仍不属于任何新面孔：Claude Sonnet 5.5 以 40.0% 通过率居首，三款新模型都没能追上去。 换句话说，即使是榜单最强的模型，也还完成不了六成长周期安卓工程任务，选型必须把通过率和成本放在一起算账。IT之家微博快科技
这份榜考的是“工程师要写好几天”的活
Android Bench 是今年年初推出、专门衡量 AI 模型在安卓开发场景里编程辅助能力的基准，现在还加入了平均调用成本指标，榜单由谷歌自己维护。 今年 9 月上线的 2.0 版本把重心转向长周期任务与智能体评测：第一版只考既有代码仓库的增量改动、修 bug 和小功能需求，2.0 则针对工程师要数天甚至一周才能完成的高复杂度任务，比如新增功能、从零构建应用、把跨平台应用迁移到安卓，评分也从及格与否改为综合功能完成度、视觉还原度和回归情况的连续计分。 刷新后的 2.0 榜单共设 30 项长周期开发任务。微博IT时代网快科技
Kimi K3.1 Pro：权重刚开源，通过率翻倍
这是一款原生多模态、1M 上下文的 3T 级 MoE 模型，总参数 2.8T、激活 104B，K3.1 相比 K3 把部分注意力层换成了 Gated DSA，优化方向是长上下文与推理成本，而不是单纯堆跑分。 它的完整模型权重于 11 月 4 日由月之暗面公布，昇腾当天就完成了推理适配。 落到这份榜上，它以 24.0% 的通过率、82.3% 的平均完成度排在中国模型的首位；同一张榜单上，上一代 Kimi K3 的通过率只有 12.0%、单轮成本 418.3 美元、耗时 66.2 小时，相当于一次换代把通过率翻倍、时间成本压缩了近六成。微博华为中国
DeepSeek V4.1 Flash：10 美元跑进 17%
DeepSeek V4.1 Flash 于 9 月 10 日正式发布，官方当时就表示它在性能、费用、速度、总用时等指标上全面超越 V4 Pro，并计划有序下线 V4 Pro。 这次测试的 1017 是其更新后的版本快照：单轮耗时 12 小时、成本仅 9.9 美元，约为 Kimi K3.1 Pro 单轮成本 317.4 美元的三十二分之一。 采用端同样印证了低价路线的吸引力：OpenRouter 周调用量数据显示，DeepSeek V4.1 Flash 1017 以每周 56 万亿 Token 连续三周位居全球第一。微博快科技微博
几个百分点的差距，别急着当真
榜单为每款模型都给出了置信区间：Kimi K3.1 Pro 约 12.0%–37.3%、GPT-6.1 Terra 约 14.0%–42.7%、DeepSeek V4.1 Flash 约 6.7%–28.7%，三个区间大面积重叠，换一批任务样本，三者的排序就可能不同。连谷歌自家的 Gemini 4 Argon 在这份自家维护的榜单上，也明显落后于最新版 Claude 和 GPT 系列模型。 基准还统一运行各家模型厂商配套的智能体，各家使用的推理档位并不相同，分数差里混着配置因素，跑分口径是否统一，直接影响它能否被用来拍板选型。微博IT时代网微博
这些数字怎么用
对真正在写安卓应用的团队，这张榜单最实际的用法是把“通过率 × 成本”当成一本账：失败代价低、需要大量迭代的任务，先用 10 美元级别的方案把反馈跑起来；要求一次做对的高难度任务，再考虑通过率更高、但单次测试数百乃至上千美元的模型。 也要看清边界：Android Bench 回答的是智能体能否独立完成长周期安卓工程，不等于日常补全和结对写码同样不可用；测试项、权重和成本口径都握在谷歌手里，单一榜单既证明不了谁最强，也替开发者做不了选择，自己项目的真实水平，还得回自己的代码库里跑。微博
