TLDR AIメディア報道·2026年7月3日 09:00·約4分

CursorBench 3.1（2 分読み）

#LLM Benchmarking #Code Generation #Agent Evaluation #Cost Efficiency

整理・翻訳:ainew.jp 編集システムAIによる自動処理作り方と限界

本文の状態

日本語全文を表示中

詳細モードで約4分の本文を読めます。

同じ出来事の情報源

この情報源を基点に整理

TLDR AI

まず要点

AI エディタ「Cursor」の性能を評価するベンチマークテスト「CursorBench」がバージョン 3.1 に更新された。このアップデートにより、コード生成やデバッグ能力に関する新たな評価基準が導入され、開発者の生産性向上に寄与する可能性が示されている。

Source Article

元記事を日本語で読む

本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。

Cursor の実際のセッションから抽出した、曖昧な多ファイルタスクに対してエージェントを評価します。スコアが高いほど優れています。

CursorBench について詳しくはこちら

Fable 5、Opus 4.8、Opus 4.7、GPT-5.5、Sonnet 5、Sonnet 4.6、GLM 5.2、Composer 2.5、Composer 2 の各モデルの CursorBench 3.1 スコアと、タスクあたりの平均コストを比較した散布図および折れ線グラフです。

75% CursorBench 3.1 score- 70%65%60%55%50%45%$20$16$12$8$4$0Average cost per taskFable 5 highComposer 2.5GPT-5.5 mediumGemini 3.5 FlashOpus 4.8 highSonnet 5 highKimi K2.7 CodeGLM 5.2 high

	モデル
1	Fable 5 Max	72.9%	$18.02	63,842	76
2	Fable 5 Extra High	72.0%	$13.74	48,754	63
3	Fable 5 High	70.6%	$10.81	37,173	54
4	Fable 5 Medium	69.8%	$8.27	28,507	47
5	Opus 4.7 Max	64.8%	$11.02	62,989	96
6	GPT-5.5 Extra High	64.3%	$4.37	17,905	46
7	Fable 5 Low	64.2%	$5.70	18,882	36
8	Opus 4.8 Max	63.8%	$7.59	77,370	60
9	Composer 2.5	63.2%	$0.55	15,152	37
10	GPT-5.5 High	62.6%	$3.59	13,329	40
11	Opus 4.8 Extra High	62.1%	$6.14	55,622	54
12	Opus 4.7 Extra High	61.6%	$7.11	43,942	72
13	Sonnet 5 Max	61.2%	$6.87	93,485	93
14	Opus 4.7 High	59.4%	$5.01	32,227	59
15	GPT-5.5 Medium	59.2%	$2.22	9,065	35
16	Opus 4.8 High	58.4%	$4.41	36,788	45
17	Sonnet 5 Extra High	58.4%	$5.23	58,228	86
18	Sonnet 5 High	57.0%	$3.74	41,735	66
19	Opus 4.8 Medium	56.6%	$3.83	31,684	41
20	Sonnet 5 Medium	54.9%	$2.57	27,469	53
21	GLM 5.2 Max	54.6%	$3.11	51,312	83
22	Opus 4.8 Low	54.3%	$2.93	22,726	36
23	Opus 4.7 Medium	52.7%	$2.93	19,193	41
24	Kimi K2.7 Code	52.7%	$1.92	32,902	70
25	Composer 2	52.2%	$0.56	14,163	40
26	GLM 5.2 High	50.7%	$2.46	30,621	76
27	Gemini 3.5 Flash	49.8%	$1.94	35,105	79
28	Sonnet 4.6 Max	49.0%	$3.09	40,280	55
29	GPT-5.5 Low	48.8%	$1.19	4,923	24
30	Sonnet 4.6 High	48.8%	$3.06	37,352	57
31	Opus 4.7 Low	48.3%	$1.87	13,164	29
32	Sonnet 5 Low	47.7%	$1.46	17,028	37
33	Kimi 2.6	47.6%	$1.27	24,783	56
34	Sonnet 4.6 Medium	46.0%	$2.64	31,360	50
35	Sonnet 4.6 Low	41.5%	$1.89	21,211	50
36	Kimi 2.5	31.9%	$0.87	9,446	30

Changelog ## CursorBench 3.1

コードベースの理解、バグ発見、計画策定、コードレビューに焦点を当てた課題を追加しました。

一部の編集タスクに対する評価基準を改善しています。

CursorBench 3.0

編集、リファクタリング、バグ修正に焦点を当てた初期のタスクセットです。

各タスクあたりの平均コストは、CursorBench 3.1 の各課題でモデルが使用したトークン数（入力、キャッシュ読み取り、キャッシュ書き込み、出力）に対して、公開されている per-million-token pricing を適用して計算し、タスク間で平均化したものです。結果にはばらつきが生じるため、スコアの小さな差が統計的に有意であるとは限りません。

原文を表示

We evaluate agents on ambiguous, multi-file tasks from real Cursor sessions. Higher scores are better.

More about CursorBench

A scatter and line chart comparing Fable 5, Opus 4.8, Opus 4.7, GPT-5.5, Sonnet 5, Sonnet 4.6, GLM 5.2, Composer 2.5, and Composer 2 scores against average cost per task.75% CursorBench 3.1 score- 70%65%60%55%50%45%$20$16$12$8$4$0Average cost per taskFable 5 highComposer 2.5GPT-5.5 mediumGemini 3.5 FlashOpus 4.8 highSonnet 5 highKimi K2.7 CodeGLM 5.2 high

	Model
1	Fable 5 Max	72.9%	$18.02	63,842	76
2	Fable 5 Extra High	72.0%	$13.74	48,754	63
3	Fable 5 High	70.6%	$10.81	37,173	54
4	Fable 5 Medium	69.8%	$8.27	28,507	47
5	Opus 4.7 Max	64.8%	$11.02	62,989	96
6	GPT-5.5 Extra High	64.3%	$4.37	17,905	46
7	Fable 5 Low	64.2%	$5.70	18,882	36
8	Opus 4.8 Max	63.8%	$7.59	77,370	60
9	Composer 2.5	63.2%	$0.55	15,152	37
10	GPT-5.5 High	62.6%	$3.59	13,329	40
11	Opus 4.8 Extra High	62.1%	$6.14	55,622	54
12	Opus 4.7 Extra High	61.6%	$7.11	43,942	72
13	Sonnet 5 Max	61.2%	$6.87	93,485	93
14	Opus 4.7 High	59.4%	$5.01	32,227	59
15	GPT-5.5 Medium	59.2%	$2.22	9,065	35
16	Opus 4.8 High	58.4%	$4.41	36,788	45
17	Sonnet 5 Extra High	58.4%	$5.23	58,228	86
18	Sonnet 5 High	57.0%	$3.74	41,735	66
19	Opus 4.8 Medium	56.6%	$3.83	31,684	41
20	Sonnet 5 Medium	54.9%	$2.57	27,469	53
21	GLM 5.2 Max	54.6%	$3.11	51,312	83
22	Opus 4.8 Low	54.3%	$2.93	22,726	36
23	Opus 4.7 Medium	52.7%	$2.93	19,193	41
24	Kimi K2.7 Code	52.7%	$1.92	32,902	70
25	Composer 2	52.2%	$0.56	14,163	40
26	GLM 5.2 High	50.7%	$2.46	30,621	76
27	Gemini 3.5 Flash	49.8%	$1.94	35,105	79
28	Sonnet 4.6 Max	49.0%	$3.09	40,280	55
29	GPT-5.5 Low	48.8%	$1.19	4,923	24
30	Sonnet 4.6 High	48.8%	$3.06	37,352	57
31	Opus 4.7 Low	48.3%	$1.87	13,164	29
32	Sonnet 5 Low	47.7%	$1.46	17,028	37
33	Kimi 2.6	47.6%	$1.27	24,783	56
34	Sonnet 4.6 Medium	46.0%	$2.64	31,360	50
35	Sonnet 4.6 Low	41.5%	$1.89	21,211	50
36	Kimi 2.5	31.9%	$0.87	9,446	30

Changelog

CursorBench 3.1

Introduced problems focused on codebase understanding, bugfinding, planning, and code review.

Improved grading criteria for some edit tasks.

CursorBench 3.0

Initial set of tasks focused on edit, refactor, and bugfix problems.

Avg cost / task is computed by applying each model's published per-million-token pricing (input, cache read, cache write, and output) to the tokens it used on each CursorBench 3.1 task, then averaging across tasks. Results are subject to variance; small differences in scores may not be statistically meaningful.

この記事をシェア

VentureBeat AI2026年8月12日 16:30

評価の失敗が企業を焦らせた：人間を排除する傾向と自動評価への信頼上昇

Hugging Face Daily Papers2026年8月10日 09:00

Hugging Face、反復潜在推論を用いた学習モデル「BDH-CQ」を発表

TLDR AI2026年8月6日 09:00

AI スタートアップ Hark、自動操作用エージェント「Handoff」を発表

今日のまとめ

AIデイリーブリーフで今日の重要ニュースをまとめ読み

CursorBench 3.1（2 分読み）

元記事を日本語で読む

Changelog ## CursorBench 3.1

CursorBench 3.0

Changelog

CursorBench 3.1

CursorBench 3.0

関連記事

調べる

選ぶ

サイト