谷歌Android Developers首次公开了 OpenAI GPT-6.1 Terra、Kimi K3.1 Pro 与 DeepSeek V4.1 Flash 三款模型的 Android Bench 基准跑分。

Android Bench 聚焦真实的安卓开发工程任务。

Android Bench面向AI编程

Android Bench 是谷歌面向安卓开发场景推出的 AI 编程基准，重点考察模型完成应用创建、功能开发、代码迁移和应用转换等真实工程任务的能力。

与普通的代码问答测试不同，它更接近开发者日常工作中遇到的实际场景。

三款模型的成绩均为首次公开，评测同时给出了通过率、平均完成度、平均耗时和单次运行成本等多项指标，便于从效果与开销两个维度进行比较。

Kimi K3.1 Pro：通过率 24.0%，高于多款竞品

Kimi K3.1 Pro 使用 kimi-code 智能体参与评测，在 30 项长程任务中获得 24.0% 的通过率，平均完成度为 82.3%，平均耗时 27.4 小时，单次基准运行成本为 317.4 美元。

从横向对比看，Kimi K3.1 Pro 的成绩高于 GPT 6 Astra、Claude Fable 5.1 和 Gemini 4 Argon，但低于 GPT-6.1 Terra 的 28.7%。在本次公布的三款模型中，GPT-6.1 Terra 通过率最高，Kimi K3.1 Pro 次之。

DeepSeek V4.1 Flash：速度与成本更有优势

DeepSeek V4.1 Flash 1017 通过 opencode 智能体参与评测，取得 17.3% 的通过率和 71.2% 的平均完成度，平均耗时 12.0 小时，单次基准运行成本仅 9.9 美元。

虽然通过率不及 Kimi K3.1 Pro，但 DeepSeek V4.1 Flash 的耗时不到前者的一半，单次成本也远低于对方，速度和成本优势明显。