读 CursorBench 3.2，前五名那几分当平手看

这篇不搭工具，搭一套怎么看榜单的方法。上周把 CursorBench 3.2 来回翻了几轮，值得看的就两类东西：主分那一列，和每次任务的平均成本那一列，其余是装饰。

开搞之前先确认你手里有真问题——是要给 agent 选型拍板，还是想找个参照价。没有的话，这榜看了也白看，热闹看完留不下东西。有的话，咱们开始。

Step 1：主分当分布看，别当排名看

前五名拿出来：Fable 5 Max 70.5，Opus 5 Max 70.0，Opus 5 Extra High 69.3，Fable 5 Extra High 68.4，GPT-5.6 Sol Max 67.2。

先别激动。这五个数字挨得有多近？0.5 到 1.1 个百分点。Cursor 自己标了，这个基准有随机波动，较小的分数差异可能不具备统计显著性。说白了：第一名到第五名，大概率是同一个水平线上的五个采样点，谁站上面取决于抽卡手气。

那排名真没用？有，看断层。前五名开外跌到哪、底部那个 37.6 站在哪，比谁第一值得读。哪家分数掉到 50 以下，从“工具人”到“陪跑”的分界线就划出来了。

这一列还有处疑点：Grok 4.5 没上榜。Cursor 说过，自己训练数据里含 Cursor 代码库的早期快照，基准分被污染了，未来模型已移除这部分数据——那 4.5 本身呢？处理得干不干净，无从考证。只能判断这张榜把自己踩过的坑处理过一遍，具体处理到哪一步，外人看不见。

到这里，验证你读对了没有：能把前五名的分数差说成“平手”，这步就过了。

Step 2：成本列才是把分数拉进预算的通道

第二列是每次任务平均成本，第三列 token 消耗量，第四列执行步骤数。大多数人扫一眼主分就关门，这三列才是真金白银。我纠结过要不要把 token 那列单独展开讲，后来想明白了：光看 token 数没用，乘上价格才算数，所以只讲成本。

成本列怎么算的：各模型公布的每百万 token 定价（输入、缓存读取、缓存写入、输出分开算），乘实际消耗的 token 数累加。听着严整，坑在定价是变数。3.2 发布当天（7 月 8 日）更新过 GPT-5.6 三个配置的结果，把缓存写入的成本补进去了；7 月 30 号又更新了 Terra 和 Luna，说是反映调整后的定价。意思很直白：眼前这张表的成本列，是按今天的定价重算过的。拿它去报价，要留余量——这是当日码头价，不是合同锁定价，模型说调就调。

⚠️ 这一步很多人会卡在拿不准性价比：均价最便宜的那个，执行步骤数可能反而最多。这俩放一起怎么挑，我的排序是：先看步骤数，再看成本列。团队工时比电费贵，模型省下的 token 钱，撑不过工程师多调一小时的班。看反了，容易被省钱的幻觉套牢。

对了，版本号这个细节是我写到后面才想起来必须提前交代的，插播一下：核一眼榜单右上角是不是 3.2。3.0 的任务是代码编辑、重构、修 bug，3.2 加了指令遵循和高级工具使用，考的不是一套卷子。朋友圈转发的“XX 登顶”截图，先看角落里的版本号再转，别把老成绩当新榜炒。

Step 3：把分数换算成你的动作

榜单读完，能背出前十名不叫会看。管用的动作是这几条：

• 业务里大量多文件改动的 dirty work，挑统计上同一档、执行步骤更少的配置；
• 跑长流程的 agent，盯 Extra High 和 Max 的档位差——有的模型升档后得分涨不到 3 个百分点，成本涨快一半，这笔账按你业务的量自己算一遍，比官方宣传页好使；
• 特别吃“按指令办事”的场景，去翻 3.2 新增的指令遵循子任务描述，总分的 0.5% 不值得纠结。

基准只能拿真实用户会话的模糊问题来测，跟你的理想操作之间隔着一条沟。它回答不了“我的项目选谁”，只负责告诉你“谁在 benchmark 上打得过”。剩下的，由你的成本、延时和用途说了算。

到这里，这份榜单能榨的就榨干了。这套读榜方法跑起来了吗，照这个自查：

• 能说出前五名之间的差距为什么不是排名差距，而是随机波动
• 能说清成本列怎么算的，以及它为什么随时会变
• 能指出版本号是哪一版，以及主分该按分布看还是按排名看

都打勾了，这份榜单就只欠你的业务数据。下次更新别急着转前十名惊呼，先对一遍成本列，省下的时间够你多调一轮 prompt。