Benchmark · agentic

CursorBench

3 परिणाम 3 मॉडल

Cursor's private, version-tagged internal agent eval built from real Cursor sessions; the trailing number is a version, not a score. Not one of the public suites it is quoted beside.

0 19.5 39 58.5 78 2026-07-31 2026-08-16 2026-09-01 Claude Opus 5 · 70 · 2026-07-31 Grok 4.6 · 69.9 · 2026-08-13 Claude Fable 5.1 · 73.4 · 2026-09-01
Claude Opus 5 Grok 4.6 Claude Fable 5.1
समयरेखा
तारीख़ मॉडल स्कोर स्रोत
2026-09-01 Claude Fable 5.1 73.4% Anthropic ने Claude Fable 5.1 को Terminal-Bench-Science पर 52.6% और सस्ते कैश रीड के साथ जारी किया
2026-08-13 Grok 4.6 69.9% SpaceXAI ने 500K संदर्भ और बेहतर एजेंटिक तर्क के साथ Grok 4.6 जारी किया
2026-07-31 Claude Opus 5 70.0% Anthropic ने Claude Opus 5 लॉन्च किया; सुरक्षा परीक्षण के दौरान OpenAI मॉडल ने Hugging Face को पार कर लिया