Évolution de la mesure des LLM pour Android : la prochaine ère d'Android Bench

En mars dernier, nous avons lancé Android Bench, notre classement des LLM pour les tâches de développement Android concrètes. Notre objectif était de fournir des informations transparentes sur les capacités des modèles dans le développement Android et d'encourager l'amélioration des modèles, afin de vous offrir des options d'IA plus utiles pour votre workflow quotidien. Depuis, nous avons amélioré le benchmark en fonction de vos commentaires, y compris en évaluant les modèles open-weight et en ajoutant des dimensions de coût et d'efficacité au classement. 

Mais les capacités de l'IA évoluent constamment, et les mesures doivent suivre le mouvement. Dans notre version de juillet, nous avons adopté le framework Harbor, qui inclut une version mise à jour de l'agent de benchmarking utilisé pour évaluer les modèles. 

En plus de cette modification de notre évaluation, nous ajoutons huit nouveaux modèles au classement dans cette version de juillet : Claude Fable 5, Claude Sonnet 5, Claude Opus 4.8, GLM 5.2, Kimi K2.7 Code, MiniMax M3, Qwen 3.7 Plus et Qwen 3.7 Max. Nous vous proposons également, à vous, la communauté des développeurs Android, de contribuer à ce benchmark. 

Mise à niveau de notre méthodologie avec le framework Harbor

Lorsque nous avons conçu Android Bench, nous avons ancré notre méthodologie sur les principales normes du secteur disponibles à l'époque. Nous avons utilisé mini-swe-agent v1, un agent de benchmarking à usage général, et l'avons adapté aux spécificités du développement Android pour fournir une mesure de référence des capacités des modèles pour les tâches courantes de développement Android.

Pour continuer à vous fournir des évaluations de pointe qui mesurent précisément les dernières capacités des modèles pour le développement Android, nous standardisons notre benchmark sur le framework Harbor. Harbor définit des normes et des intégrations qui permettent à chacun d'exécuter le benchmark, d'évaluer sa configuration préférée ou de partager des résultats, ce qui vous offre plus de transparence et de visibilité.

Cette mise à niveau nous permet d'évaluer plus rigoureusement les modèles et leurs capacités. Nous avons réexécuté le benchmark sur tous les modèles pour établir une référence mise à jour. Cela signifie que le système de notation a légèrement changé, mais vous pourrez toujours consulter les scores historiques dans les archives de notre site Web.

Nous voulons nous assurer qu'Android Bench vous est utile. Nous le mettrons donc à jour en continu à mesure que nos évaluations et le secteur évolueront.

Élargissement du classement avec huit nouveaux modèles

Afin de maintenir l'actualité du classement, nous avons ajouté Claude Fable 5, Claude Sonnet 5, Claude Opus 4.8, GLM 5.2, Kimi K2.7 Code, MiniMax M3, Qwen 3.7 Plus et Qwen 3.7 Max au classement Android Bench. 

Vous remarquerez que Claude Fable 5 est en tête du classement avec un score de 84,5, suivi de GPT 5.5 avec 80,2, et de Claude Sonnet 5 en troisième position avec un score de 76,2.

Si l'on ne compare que les modèles à pondération ouverte, GLM 5.2 arrive en tête avec 72,2, suivi de Kimi K2.7 Code avec un score de 70,4.

Vous pouvez consulter les métriques de performances et d'efficacité des modèles dans le classement mis à jour pour voir comment ces modèles (nouveaux et anciens) relèvent les défis spécifiques à Android, comme les migrations Jetpack Compose, la mise en réseau des wearables et les mises à jour des API de plate-forme.  

Ouverture d'Android Bench aux contributions de la communauté

Depuis le début, nous avons privilégié une approche ouverte et transparente. C'est pourquoi nous avons rendu notre méthodologie et notre plate-forme de test d'origine accessibles au public sur GitHub. Vous nous avez demandé de pouvoir nous faire part de vos commentaires sur notre ensemble de données. Nous allons donc encore plus loin dans la collaboration en vous donnant, à vous, la communauté des développeurs Android, la possibilité de façonner Android Bench.

À partir d'aujourd'hui, vous pouvez contribuer à Android Bench de deux manières :

1. Concevez et envoyez vos propres tâches de développement Android pour évaluer la façon dont les modèles gèrent les scénarios qui vous intéressent.
2. Exécutez et partagez des évaluations comparatives en testant directement vos modèles préférés par rapport à notre ensemble de données ou à vos propres tâches personnalisées.

Nous examinerons les tâches envoyées et déterminerons si elles doivent être ajoutées au benchmark. Nous espérons créer un benchmark qui reflète réellement les réalités quotidiennes et diverses de la communauté mondiale des développeurs Android.

Perspectives d'avenir

Avec le nombre croissant d'options de développement agentique, le maintien d'un benchmark de pointe garantit que l'assistance IA sur laquelle vous vous appuyez continue de devenir plus intelligente, plus utile et plus efficace. Accédez à notre dépôt GitHub pour consulter les tâches. Nous vous invitons à envoyer une tâche à notre équipe pour examen. Vous pouvez également consulter Harbor Hub pour explorer l'ensemble de données ou envoyer des évaluations.

Comme toujours, vous pouvez consulter le classement mis à jour ou lire la méthodologie sur notre site Web.