Skip to content

Benchmark 異動|CursorBench 轉正 4.1:Gemini 4 Neon 拿下官方榜認證第一,Carbon 退居第二

2026年11月22日1 分鐘
TL;DRCursorBench 官方追蹤榜 11-20 從 4.0 轉正到 4.1 版,Gemini 4 Neon 以 65.4%(Extra High)登頂,取代原冠軍 Gemini 4 Carbon(61.5%);這個 65.4% 兩天前(11-20 本系列報導)還只是 Google 自己宣稱、未經覆核的數字,現在已經是 BenchLM/Cursor 官方榜上的獨立認證結果。SWE-bench Verified、Arena Agent、Artificial Analysis Coding Agent Index 三個榜單均無異動。

查詞與收藏

正在載入查詞工具…

English version

異動摘要

本系列 11-20 的報導曾記錄 Gemini 4 Neon 自稱在 CursorBench 4.1 拿到 65.4%,但當時 BenchLM 官方追蹤的仍是 CursorBench 4.0,Neon 根本沒上榜,那個數字只是廠商自測、未經獨立驗證。今天的掃描發現:BenchLM 在 11-20 已把官方「current」版本從 4.0 切到 4.1,Neon 的 65.4% 現在是官方榜上的獨立認證結果,原冠軍 Gemini 4 Carbon 從 4.0 版的 60.4% 降為 4.1 版官方第二(61.5%)。SWE-bench Verified、Arena Agent、Artificial Analysis Coding Agent Index 三個常態追蹤榜單均與前次快照逐位元相同,無異動。

排名變化

CursorBench 4.1(BenchLM 官方追蹤榜)— 2026-11-22

排名模型分數CursorBench 4.0 排名(參考,版本不同不可直接比較)變化
1Gemini 4 Neon(Extra High)65.4%未上榜NEW|轉正為官方認證
2Gemini 4 Carbon(High)61.5%1(60.4%)↓1
3Gemini 4 Hydrogen(High)61.4%5(54.3%)↑2
4Claude Fable 5.261.3%2(60.0%)↓2
5Claude Opus 5.558.1%3(57.8%)↓2

來源:CursorBench — BenchLM · CursorBench 4.1 於 2026-11-18 發布、BenchLM 11-20 轉為官方 current 版本 · 快照日期:2026-11-22 · 4.0 與 4.1 任務集不同,分數不可直接比較,僅供參考名次移動方向

其餘三個常態追蹤榜單無異動:SWE-bench Verified 前 5 名分數與名次(79.2%/79.2%/78.8%/77.4%/76.8%,前二名並列、第五名三方並列)與前次快照逐位元相同;Arena Agent 排行榜官方發布日期仍是 2026-11-18,前 5 名(Claude Fable 5.2 27.42%/Claude Opus 5.5 18.63%/Gemini 4 Neon 18.41%/Gemini 4 Carbon 16.10%/Claude Sonnet 5.5 15.56%)逐位元相同;Artificial Analysis Coding Agent Index(經 orcarouter.ai/trendingtopics.eu/dev.to/Google 官方部落格四篇報導交叉比對,官網數值表格仍因 JS 渲染無法直接擷取)維持 Gemini 4 Neon 第一(58.6~59 分)、Claude Fable 5.2/Opus 5.5(Claude Code)並列第二(58 分)、Gemini 4 Carbon 第三(54~55 分),與前次快照同一順位、分差在四捨五入誤差內,非顯著變動。

分析:這次洗牌代表什麼

技術面

CursorBench 4.1 修改了 4.0 版的「指令遵循」題目並拉長了 agent 的執行時間上限,是任務集本身的升級,不是同一套題目重新跑分。Gemini 4 Neon 在新版任務集上的名次移動,技術上更適合理解成「新題目下的首次定錨」而不是「打敗了 Carbon」——根據 Cursor 官方公告,Neon 在預設的 High 效力層級拿 63.7%,比上一代 Gemini 4 Hydrogen 的 57.3% 高 6.4 個百分點;BenchLM 榜上顯示的 65.4% 則是 Neon 的 Extra High 效力層級,照慣例取每個模型已公布的最高效力層級上榜。kingy.ai 的拆解顯示 Neon 四個效力層級的成本與分數呈清楚的邊際遞減:Low 45.5%/$1.26、Medium 57.7%/$3.07、High 63.7%/$6.54、Extra High 65.4%/$10.67——最後一級多花 63% 的成本只多拿 1.7 個百分點。

方法論面

這次異動最值得記錄的不是分數本身,而是「驗證狀態」的轉變:11-20 報導時明確標注 CursorBench 4.1 的 65.4% 是「Google 自己的 benchmark 表格,不是 Cursor 官方或 BenchLM 的獨立測試結果」;今天同一個數字已經出現在 BenchLM 的官方 CursorBench 4.1 榜上,等於是被基準擁有者自己收錄、轉正成官方認證數字。但要注意轉正的是「這個分數被官方榜承認」,不是「這個分數可以跨版本比較」——BenchLM 自己在版本比較表裡也特別註明 4.0 與 4.1「分數不可比較,只看名次移動方向較公平」,所以「Carbon 從 60.4% 掉到 61.5%」不是退步,是換了一套更難(或至少不同)的題目後的新基準點。AlphaSignal 與 TestingCatalog 等多篇獨立報導都引用了同一組 63.7%/65.4% 數字,彼此交叉確認,可信度比 11-20 時單憑 Google 自己公告要高得多。

產業面

對照 11-20 的報導,這次的意義在於「驗證時間差」本身:一個廠商自己公布的 benchmark 數字,從發布到被基準擁有者收錄進官方榜,中間隔了整整兩天——這段空窗期正是讀者最容易被誤導的時候,因為當時唯一能查到的來源就是廠商自己。對正在追蹤 coding agent 選型的團隊,這次事件提供了一個具體的時間基準:遇到廠商自測的新分數,等 2–3 天看是否被獨立榜單收錄,通常就能把「廠商話術」和「可驗證結果」分開。同時,Neon 在新版 4.1 榜上從缺席直接空降第一,而不是沿用 11-20 時 Arena/AA 榜上「緊貼第二、第三」的曖昧名次,這也呼應了 Cursor 公告強調的「cost-performance frontier」定位——在 CursorBench 這個 Cursor 自家、最貼近真實使用情境的榜單上,Neon 的表現比在 Arena 或 AA 的通用排名更突出。

今日收穫

11-20 的報導教訓是「廠商自己同時在五個榜單喊第一時要分開查證」;這次事後追蹤給了更具體的操作方法:同一個數字如果兩天內從「廠商自測」變成「基準擁有者官方收錄」,這個轉變本身就是訊號,值得單獨記一筆,而不是只更新一次分數就結束。追蹤 benchmark 異動時,「這個數字現在被誰認證」比「這個數字是多少」更該優先確認。

參考資料