在 2026-11-16 访问的 CursorBench 4.0 榜单快照中,Gemini 4 Carbon High 得分 60.4%,列第 1;Medium 为 60.1%,列第 2;Low 为 58.6%,列第 4。该榜单针对 Cursor 会话中的歧义、多文件工程任务,不能代表所有软件开发任务。
适合判断的任务:比较 CursorBench 4.0 页面所列模型配置在多文件、较长流程工程任务上的得分、每任务成本、token 用量和步骤数。
不适合外推的任务:不能据此推断单文件代码生成、特定语言或仓库上的成功率,也不能外推到其他 Agent、IDE、模型接口或不同任务集。
适用的模型版本:榜单显示的 Gemini 4 Carbon High、Medium、Low。页面未提供底层模型 API ID 或修订号。
测试环境或客户端:Cursor 内部评测套件 CursorBench 4.0;使用 Cursor 任务和其 Agent 执行环境。更具体的客户端版本、任务运行环境及工具配置未注明。
推理档位和参数:High、Medium、Low;采样参数及具体推理配置未注明。
Cursor 将 CursorBench 描述为来自真实 Cursor 会话的多文件、含歧义任务。4.0 的更新记录称新增了长流程问题,覆盖编辑、重构、调查、意图理解、管理作业和遵循设计要求。页面说明分数越高越好;同时报告每任务平均成本、token 数和步骤数。
成本按各模型公开的每百万 token 单价计算,计入输入、缓存读取、缓存写入和输出 token,并汇总每个任务用量。页面提示结果存在方差,分数小幅差异未必有统计意义。
Cursor 于 2026-03-11 发布的基准方法文章介绍了早期 CursorBench 的任务来源:通过 Cursor Blame 将已提交代码关联到生成它的 Agent 请求,并称任务来自工程团队真实会话、内部代码库及受控来源。该文章当时描述的是 CursorBench 3.1,不能确认其任务采集和评分细节在 4.0 中完全不变。当前 4.0 页面未公开题目总量、各模型运行次数、样本分布、评分器、误差区间或逐题结果。
| 配置 | 排名 | 得分 | 平均成本/任务 | Tokens/任务 | Steps/任务 |
|---|---|---|---|---|---|
| Gemini 4 Carbon High | 1 | 60.4% | $9.22 | 39,960 | 71 |
| Gemini 4 Carbon Medium | 2 | 60.1% | $8.49 | 37,067 | 67 |
| Gemini 4 Carbon Low | 4 | 58.6% | $11.89 | 42,663 | 124 |
| Fable 5.2 Max | 3 | 60.0% | $32.79 | 352,794 | 218 |
| Opus 5.5 Max | 5 | 57.8% | $13.43 | 218,363 | 185 |
| Gemini 4 Hydrogen Extra High | 6 | 57.8% | $5.86 | 164,610 | 88 |
| Gemini 4 Argon High | 16 | 52.9% | $4.57 | 109,500 | 118 |
Carbon High 比 Fable 5.2 Max 高 0.4 个百分点;榜单列出的每任务成本低约 72%,token 用量低约 89%,步骤数低约 67%。Carbon Medium 与 High 相差 0.3 个百分点,成本低 $0.73,token 少 2,893,步骤少 4。Carbon Low 得分低于另外两档,但榜列成本反而更高($11.89);不应把这组结果解释为推理档位与成本之间稳定单调的关系。
与其他 Gemini 配置相比,Carbon High 比 Hydrogen Extra High 高 2.6 个百分点,平均成本高 $3.36,token 和步骤数较少;比 Argon High 高 7.5 个百分点,但成本高 $4.65。榜单页面未提供足以判断这些差异统计显著性的信息。
榜单快照:2026-11-16 访问页面时,CursorBench 4.0 按得分排序列出 91 个模型配置;排名与成本可能随页面更新而变化。
Carbon 各档数据:High 60.4% / $9.22 / 39,960 tokens / 71 steps;Medium 60.1% / $8.49 / 37,067 tokens / 67 steps;Low 58.6% / $11.89 / 42,663 tokens / 124 steps。
样本规模:排行榜和方法说明均未显示任务数量、单模型样本数或运行重复次数,故记为未注明。榜单列出的 Steps/Task 是步骤均值,不是样本量。
成本口径:按公开 token 价格计入输入、缓存读取、缓存写入和输出;不是独立测得的实际账单。页面变更记录说明会因价格调整更新成本。
版本口径:CursorBench 4.0 于 2026-09-10 的更新记录中引入;该更新增加新任务类型。早期方法文章明确提示不同基准版本因任务分布不同,不宜跨版本比较。
这份官方榜单显示,在 CursorBench 4.0 的页面数据中,Carbon 三档都排在前四,High 得分最高。High 和 Medium 的分差只有 0.3 个百分点;Cursor 已提示小幅分差可能不具统计意义,因此不能仅凭榜单断言 High 稳定优于 Medium。
榜单提供了模型配置层面的成本、token 和步骤对照,但没有公开任务样本量、逐题结果或完整 4.0 评分方法。结果仅适用于该版本的 Cursor 内部任务和评测环境;模型定价更新也可能改变成本列。不要将榜单得分直接换算成实际项目成功率或跨工具排名。
访问 CursorBench 页面,确认版本标为 4.0,并记录访问日期;按页面表格抄录模型配置、得分、每任务成本、tokens/task 和 steps/task。复现排序需取得 Cursor 未公开的任务集、执行配置、重复次数和评分方法。本文的同版本比较以 2026-11-16 页面快照为准。
Gemini 4 Carbon