CursorBench 3.1 es un benchmark publicado por Cursor que evalúa agentes de inteligencia artificial sobre tareas ambiguas y multiarchivo extraídas de sesiones reales de uso del editor de código. La versión 3.1 introduce nuevos problemas centrados en comprensión de bases de código, detección de errores, planificación y revisión de código, y mejora los criterios de calificación de algunas tareas de edición. La lista inicial de CursorBench 3.0 ya cubría edición, refactorización y corrección de bugs.
En la clasificación actual, Fable 5 en su nivel Max alcanza la primera posición con un 72,9 % de acierto, un coste medio por tarea de 18,02 dólares y 63.842 tokens consumidos. Le siguen tres variantes inferiores del mismo modelo (72,0 %, 70,6 % y 69,8 %), que ocupan las posiciones segunda a cuarta. Opus 4.7 Max se sitúa quinto con 64,8 %, mientras que GPT-5.5 Extra High es sexto con 64,3 % y el coste más competitivo entre los modelos de primer nivel: 4,37 dólares por tarea. Modelos como Composer 2.5 (noveno, 63,2 %) y Composer 2 (vigésimo quinto, 52,2 %) muestran los costes más bajos del ranking, por debajo de 0,60 dólares por tarea, aunque con un porcentaje de acierto más modesto.
El benchmark mide tres variables complementarias: porcentaje de tareas resueltas, coste medio por tarea (calculado a partir de las tarifas publicadas por millón de tokens de cada modelo, incluyendo entrada, lectura y escritura de caché y salida) y consumo total de tokens. Cursor advierte de que los resultados están sujetos a variabilidad y de que diferencias pequeñas en la puntuación pueden no ser estadísticamente significativas. La tabla ordena los modelos de mayor a menor tasa de éxito y permite comparar el equilibrio entre capacidad y eficiencia económica de cada familia de modelos.