BenchLM.aiは2026年7月10日(現地時間)、生成AIモデルのコーディング能力を測るベンチマーク「CursorBench」の最新結果を公開した。Anthropicの「Claude Fable 5」が70.5%のスコアで首位を獲得。これにOpenAIの「GPT-5.6 Sol」が67.2%、xAIの「Grok 4.5」が66.7%で続いた。この結果は、特定のプログラミングタスクにおける各モデルの性能差を明確に示すもので、開発者やプロジェクトマネージャーにとってモデル選定の重要な指標となるだろう。
CursorBenchは、Cursorのリアルセッションから得られたあいまいなマルチファイルコーディングエージェントタスク向けのファーストパーティベンチマークである。7月10日に検証されたデータによると、Claude Fable 5は70.5%でトップに位置し、GPT-5.6 Solが67.2%、Grok 4.5が66.7%の成績だった。
このベンチマークは「コーディング」カテゴリに属し、BenchLM.aiの全体スコアリングシステムでは20%の比重を持つ。しかし、現在CursorBenchの結果は表示専用として扱われており、全体ランキングには直接影響しない。これはファーストパーティベンチマークであることと、Grok 4.5に関する情報汚染の懸念が理由であるとされている。
CursorBenchでは合計12のAIモデルが評価された。トップ3に続くモデルは、GPT-5.6 Terra（OpenAI、64.9%）、Claude Opus 4.8（Anthropic、62.3%）、Claude Sonnet 5（Anthropic、61.5%）、GPT-5.6 Luna（OpenAI、61.1%）、GPT-5.5（OpenAI、58.4%）、Composer 2.5（Cursor、56.1%）などとなっている。最下位はGoogleのGemini 3.5 Flashで48.8%だった。
Claude Fable 5の首位は、特に複雑なマルチファイルコーディングタスクにおいて、Anthropicのモデルが持つ特定の強みを示唆している。これは、コード生成だけでなく、既存のコードベースの理解と修正、さらには複数のファイルにまたがる変更を要するエージェントタスクにおいて、その性能が他社モデルを上回る可能性を示唆する。
この結果は、開発者やプロジェクトマネージャーが生成AIモデルを選定する際の重要な示唆を与える。特に、コーディング支援や自動化を目的としたプロジェクトにおいては、単なるコードスニペット生成能力だけでなく、より高度なエージェントタスクへの対応力を重視すべきとの視点を提供する。現状では全体ランキングに影響しない表示専用の結果であるものの、特定の用途におけるClaude Fable 5の優位性は、GPT系モデルからの移行や、コーディング特化型モデルの評価戦略を見直すきっかけとなり得る。企業がAIを活用した開発プロセスを最適化する上で、本ベンチマークのような詳細な性能評価は、実用的なモデル選定に不可欠な情報となる。
参考: benchlm.ai — 2026年7月10日 09:00 (JST)