谷歌自家基准测试翻车：Gemini成本为DeepSeek的17.5倍

谷歌更新了 Android Bench 榜单——一项专门衡量 AI 模型完成安卓开发任务能力的基准测试，对开发者选择模型有较强参考价值。结果颇具讽刺意味：谷歌在 I/O 2026 上高调宣称为"迄今最强 Flash 模型"的 Gemini 3.5 Flash 仅拿到 63.7 分排名第六，单次运行平均成本高达 $147.1（约合 996 元人民币），是整个榜单中最贵的模型。而 V4 Flash 单次运行成本仅 $8.4（约合 57 元人民币）——前者是后者的 17.5 倍。

Android Bench榜单

榜单成绩与成本明细：

排名 模型 得分 单次成本
1 GPT-5.5 74.0 —
2 GPT-5.4 72.4 —
3 Gemini 3.1 Pro Preview 72.4 ~$49
4 Claude Opus 4.7 68.7 —
5 Claude Opus 4.6 66.6 —
6 Gemini 3.5 Flash 63.7 $147.1
7 智谱 GLM 5.1 59.7 —
8 Kimi K2.6 58.6 —
10 DeepSeek V4 Pro 55.4 —
12 DeepSeek V4 Flash 52.7 $8.4

国产模型方面，智谱 GLM 5.1（59.7 分）、Kimi K2.6（58.6 分）、DeepSeek V4 Pro（55.4 分）三款同时上榜，体现中国 AI 模型在开发者工具领域的集体存在感。

谷歌在 I/O 2026 上曾宣称 Gemini 3.5 Flash 编码能力更稳健、输出速度最高可达竞争性前沿模型的 4 倍，且在部分内部基准测试中优于 Gemini 3.1 Pro。但 Android Bench 的真实安卓开发场景数据给出了截然不同的结论——不仅分数未进前五，性价比更被 DeepSeek V4 Flash 碾压。即便是谷歌自家设计的基准测试，也无法为自家模型挽回颜面。在开发者用脚投票的时代，厂商的营销话术正在被真实场景的性价比数据系统性证伪。