# Cursor 评估负责人确认 Claude Fable 5 在 CursorBench 达 72.9% 新高
- 来源：Claude：Blog（网页）
- 发布时间：2026-07-17 00:00
- AIHOT 分数：64
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmrp5pfjw0af6bitoudv35oqk
- 原文链接：https://claude.com/blog/working-at-the-frontier-cursor
## 精选理由
Cursor 工程师用自家基准和太空模拟器实打实测试了 Claude Fable 5，从全局推理到自主规划路径的能力跃迁很具体，做编码 agent 的可以看看这个‘p99 问题’解法。
## AI 摘要
Cursor 的模型评估负责人 Nate Schmidt 发现，Claude Fable 5 在其内部基准 CursorBench 上以 Max effort 模式达到 72.9%，创下新高。该模型在模糊的真实编程任务中表现出全局推理能力，例如在航天模拟器中仅凭一句提示自主规划并成功登月，而此前 Claude Opus 运行 12 小时以上仍无结果。
## 正文
Nate Schmidt 在 Cursor 的工作是评估前沿模型处理长期、真实世界工程问题的能力。以下是他为何以及如何认为 Claude Fable 5 改变了编码智能体能力上限的评估标准。
分类
企业 AI
产品
Claude 平台
日期
2026 年 7 月 17 日
阅读时间
5
分钟
https://claude.com/blog/working-at-the-frontier-cursor
Cursor 是一款用于构建专业软件的 AI 编码智能体。它支持所有主要前沿模型以及 Cursor 自有的模型，这使得该公司成为评判各模型实际性能的异常中立的裁判。
Nate Schmidt 是维护这份评分卡的工程师。他在 Cursor 负责评估和模型行为研究：研究模型如何成功、如何失败，以及是什么原因让开发者会在任务中途悄悄切换模型。当同事和客户想了解新版本的表现时，就会来找他。
随着时间的推移，Schmidt 的团队注意到，公开的基准测试分数与开发者对这些模型的真实接受度已不再吻合，于是他们构建了自己的评估体系：CursorBench。
CursorBench 旨在捕捉工程师实际提示模型时那种混乱、定义不明确的方式。其中一个评估任务只是粘贴一段堆栈跟踪信息，附带一个单词"fix"，模型必须自行推断意图、找到根本原因并验证修改。另一个任务则告诉模型错误的模块出了问题，以此测试模型是会质疑用户的假设，还是会顺着假设走进死胡同。
当 Claude Fable 5 运行该评估时，该模型在 Max effort 模式下达到了 72.9%，创下新高，展现了智能体编码工具在搭配合适模型时所能达到的能力。
Claude Fable 5 在 Max effort 模式下达到了 72.9%，创下新高。
但当 Schmidt 在自己的工程工作流和个人测试中使用该模型时，他发现自己不再需要重复说明目标。那种持续的"保姆式"操作——提醒模型上下文、详细说明解决方案、审计结果——已不再必要。他可以直接交出一个问题，无论是他一直拖延的棘手重构，还是对细微边缘情况的推理，Claude Fable 5 都能解决。
“我不觉得需要从头训练 Claude Fable 5 才能理解我所处的世界和要解决的问题，”施密特说，“这个模型开箱即用，天然就具备这种感知能力。”
对整个任务进行推理
当施密特的团队用 CursorBench 测试新模型时，给出正确答案只是基本门槛。他们真正评估的是模型是否理解了被问的问题。
“很多评测看起来是这样的：这里有一个定义明确的问题，这些是约束条件，去修复它。但真实用户给我们的提示词根本不是那样的，”施密特说，“模型必须推断出用户遇到了问题、他们想表达什么，然后找出根本原因、修复问题、验证修复结果，并反馈回来。”
Claude Fable 5 在这些模糊任务上得分太高，以至于 Cursor 团队开始起疑。
“要么是模型非常聪明，要么是模型在作弊，”他说。于是团队查看了追踪记录，阅读模型在那些最难任务上的实际推理过程——这些任务提示词看起来简单，但要破解就必须理解整个系统。
“我们不断看到模型挖掘出其他模型之前从未做到过的胜局，”他说。而且它完成这些任务时操作更少：相对于完成的工作量，token 使用效率很高。
然后施密特让 Claude Fable 5 接受了他个人最喜欢的测试之一：登陆月球。
几周前，他用一行提示词——建造一枚火箭并登陆月球——将 Claude Opus 接入了一个可编程太空飞行模拟器，让它在第二个显示器上运行了十二到十六个小时。模型会发射火箭，在轨道上耗尽燃料，于是添加更多燃料，结果因为火箭太重而无法冲出大气层。
他用同样的空白提示词重新做了实验，这次用的是 Claude Fable 5。几分钟后，火箭升空，在近地轨道停留，然后返回地面。和之前一样的失败。然后施密特阅读了对话记录。
“Fable 决定不在首次尝试时就直奔月球。它想先执行一次初始任务，仅仅进入轨道并收集遥测数据，然后用这些数据来指导下一次飞行。”几次尝试之后，他第二个显示器上的引擎噪音停止了。月球上出现了一个着陆器。整个过程耗时几个小时，而 Opus 花了十二个多小时却毫无结果。
“使用 Opus 时，它进行的是局部推理——思考刚刚发生了什么以及即将发生什么，”Schmidt 说。“而使用 Fable 时，它进行的是全局推理。它在思考整个任务。”
Cursor 通过其内部基准测试 CursorBench 来运行所有模型，该基准用于评估模型在模拟真实开发者工作的任务上的表现。
何时寻求全局最优解
Schmidt 已经确定了一个简单的规则，来决定何时使用 Claude Fable 5 而非更便宜、智能程度较低的模型。
“如果你对从 A 到 B 的路径有清晰的认识，你可能不需要 Fable。如果你身处 A 点，却完全不知道 B 点在哪里，那么 Fable 就是一个绝佳的选择，”他说。“当我想以正确的方式构建某样东西时，Fable 是我首先想到的模型。”
Claude Fable 5 还让他的团队能够专注于那些之前被搁置的项目——那些所有人都同意会更好，但没人能证明值得花上数周时间进行重写的项目——因为这个模型能够承担足够多的骨架工作。“它降低了处理这类任务的激活能量，”Schmidt 说。“它让我们能够朝着全局最优解而非局部最优解前进。”
这也改变了团队的协作方式。Cursor 团队运作精简，强调高度的个人所有权，很少开站会。现在，在接触共享代码之前，Schmidt 会让一个智能体读取他队友最近的提交记录并标记冲突，这样他们俩都不必停下手中的工作去检查。
为了平衡成本与性能，他的团队将 Claude Fable 5 与更快、更轻量的模型配对用于日常工作，并在能力成为瓶颈的问题上引入它。他说，在这种配置下，这个组合是他们运行过的最有效的方案。
“如果我要解决一个真正棘手的问题——那类 p99 级别的问题——我真正想优化的是‘解题时间’，”他说，“而我认为 Fable 是解决我们最困难问题的最佳模型。”
Nate Schmidt 在各种评估中测试新模型，包括在太空飞行模拟器中对其进行全面考验。
下一步计划
尽管已经在 CursorBench 上对模型进行了全面测试，甚至还把它送上了“月球”，Schmidt 仍在寻找 Claude Fable 5 的极限。接下来，他想看看这个模型能无人值守地管理一个后端系统多长时间——持续数天到数周的运行是他的下一个实验。在 Cursor 内部，团队正在利用该模型主动寻找性能瓶颈和用户痛点，而不是等待报告，同时也在构建更复杂、更贴近现实的评估环境，以衡量未来可能出现的一切。
“有一类问题，人们甚至从未考虑过，因为它们看起来似乎无法解决，”他说，“有了 Fable，我很兴奋能去挑战这些难题。”
立即开始使用 Claude Fable。