Cursor 推出 CursorBench-3 評估編碼代理

#benchmark#ai-agents#evaluationcursorbench-3cursorcursorbench-3

💡新型真實世界編碼代理基準—建構更好 AI 編碼工具的關鍵（28字元）

⚡ 30-Second TL;DR

有什麼變化

新型編碼代理評估套件

為什麼重要

此基準標準化 AI 編碼工具在真實任務上的測試，讓代理開發能更好地比較並加速迭代。它可能提升整個產業的編碼代理效能標準。

下一步行動

下載 CursorBench-3 資料集，並在多檔案任務上評估您的編碼代理。

誰應關注：Researchers & Academics

背景與延伸：來自公開資料，非原文內容。引用 7 個來源。

•CursorBench-3 的任務範圍從初始版本到目前已大致加倍，平均程式碼行數與檔案數皆增加，且任務行數遠多於 SWE-bench Verified、Pro 或 Multilingual。[1]
•CursorBench-3 任務描述故意簡短且具模糊性，模擬開發者對代理的真實溝通方式，並使用代理式評分器進行可靠評分。[1]
•該基準在頂尖模型層級產生更大模型間差異，即使公共基準已飽和，如 Haiku 有時可匹敵或超越 GPT-5。[1]
•CursorBench 非開放基準，使用內部程式碼建構，無法公開分享。[6]

📊 競品分析▸ Show

基準	任務來源	任務複雜度	模型分離度	開放性
CursorBench-3	真實 Cursor 使用者工作階段	高（多檔案、monorepos、生產日誌）；程式碼行數加倍	高，在前沿模型間明顯區分	封閉，使用內部程式碼 [1][6]
SWE-bench (Verified/Pro/Multilingual)	GitHub issues	較低，任務詳細指定	低，前沿模型飽和 [1]
OSS-Bench	LLM 生成程式碼替換開源函數	聚焦可編譯性、功能正確性、記憶體安全	中等，測試多語言如 PHP/C++ [3][4]

CursorBench-3 將加速 AI 模型在代理式編碼任務的改進

其更高複雜度與真實使用者情境提供更好模型分離，指導 Cursor 產品與模型更新。[1]

推動業界開發更具挑戰性的編碼基準

相較飽和公共基準，CursorBench 顯示真實多檔案任務需求，促使競爭基準如 OSS-Bench 擴展。[1][3]

2026-03

Cursor 推出 CursorBench-3，任務範圍加倍聚焦複雜多檔案專案

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #benchmark

同產品

更多關於 Cursor

同來源

最新來自 TestingCatalog

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： TestingCatalog ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。