CursorBench
Cursor 自建的内部基准，用于评估前沿模型处理长期、真实世界工程问题的能力。由 Cursor 评估与模型行为研究负责人 Nate Schmidt 团队维护。Cursor 因同时支持所有主流前沿模型与自研模型，成为评估各模型实际性能的”异常中立的裁判”。
设计动机
公开基准测试分数与开发者对模型的真实接受度已不再吻合，因此 Cursor 构建了自己的评估体系。CursorBench 刻意还原工程师实际提示模型时那种混乱、定义不明确的方式：
- 堆栈跟踪 + 一个”修复”：只粘贴一段堆栈跟踪附一个单词，模型必须自行推断意图、找到根本原因并验证修改。
- 错误模块诱导：故意告诉模型错误的模块有问题，测试模型是会质疑用户假设，还是顺着假设走进死胡同。
评估哲学
- 正确答案只是基本门槛，真正评估的是”模型是否理解了被问的问题”。
- 真实用户提示不是”定义明确的问题 + 约束条件”，模型必须：推断用户有问题及其意图 → 识别根因 → 修复 → 验证修复 → 汇报。
- 对高分模型保持怀疑（“要么非常聪明，要么在作弊”），通过查看追踪记录、阅读最难任务上的实际推理过程来核验。
- 同时关注 token 效率：相对完成的工作量，token 使用是否高效。
已知结果
| 模型 | 模式 | 得分 | 备注 |
|---|---|---|---|
| Claude Fable 5 | 最大努力 | 72.9% | 创历史新高（2026-07-17） |
衍生观察（Schmidt）
- 局部推理 vs 全局推理：“登陆月球”测试中，Opus 做局部推理（思考刚发生/即将发生什么，12–16 小时无果）；Fable 5 做全局推理（思考整个任务，先入轨收集遥测再迭代，数小时着陆）。
- 模型选择启发式：A→B 路径清晰 → 不需要 Fable；身处 A 但不知 B 在哪 → Fable 是绝佳选择。优化目标是”解题时间”。
Notes
- CursorBench 为 Cursor 单方内部基准，无第三方复现；与 Artificial Analysis 等第三方智能指数方法论不同，跨基准分数不可直接通约。
Related: Cursor | Claude-Fable | AI-Agent-Evaluation | AI-Model-Competition