CursorBench 4.0

概要

CursorBenchは、Cursorがコーディングエージェント向けに使っている社内の評価スイートで、Cursor IDEの実際のセッションから取った、あいまいで複数ファイルにまたがる課題で実施される。課題は、コードベースの理解、バグの発見、編集、リファクタリング、計画、コードレビューにわたる。各モデルは複数の推論努力（reasoning effort）のレベルで評価され、リーダーボードには正しさのスコアとともに、課題1つあたりの平均コスト、トークン使用量、エージェントのステップ数が示される。

方法論

結果は、公開されているCursorBenchのリーダーボードから取得している。このリーダーボードは2026年9月10日からCursorBench 4.0の結果を掲載している。4.0のスコアは以前の版と比較できないため、ここに以前表示していた3.xの結果は、課題セットが変わった時点でアーカイブした。グラフには正しさのスコアを示し、高いほど良い。ほとんどのモデルは推論努力のレベル（Low、Medium、High、Extra High、Max）ごとに1回ずつ登場し、データのエクスポートにはそのレベルとともに、課題1つあたりのコスト、トークン使用量、ステップ数を残している。

CursorBenchの課題はCursorの実際のセッションから集められ、あいまいで複数ファイルにまたがるよう設計されている。そのため、単独のコード補完ではなく、リポジトリ全体を踏まえたエージェント的なコーディングを試す。推論のレベルごとにスコアとコスト・待ち時間の釣り合いが異なるので、モデルごとに1つの数値にまとめず、すべてのレベルを別の項目として残している。