cursorbench

CursorBench 显示，Grok 4.5 的高分部分是由于在训练数据中无意包含了 Cursor 代码库的早期快照。相关数据已从未来的模型中移除。

CursorBench 3.1 引入了专注于代码库理解、缺陷查找、规划和代码审查的新基准任务，并展示了各种AI模型的更新得分和成本比较。

结合了CursorBench和DeepSWE基准测试的结果，创建了一个面向AI编程模型的成本与正确性排行榜，发现GPT-5.5 Medium在日常编程中提供了最佳的性价比，并且最大化推理能力很少带来回报。