Cursor 扒掉 Claude 一层底裤：编程之王，到底是在写代码还是找答案？

Cursor 最近扔出一份报告，我觉得比很多模型发布会都值得看。
它不是告诉你哪个模型又拿第一，而是告诉你：有些所谓“编程之王”的高分，可能没那么干净。
报告里最刺眼的数字是：
Claude Opus 4.8 Max 在 SWE-bench Pro 标准环境下是 87.1%，但 Cursor 把环境加严之后，成绩掉到 73.0%。
怎么加严？
很简单：
一是移除仓库 Git 历史。
二是默认禁止联网，只保留依赖下载等必要白名单流量。
结果直接掉了 14.1 个百分点。
更有意思的是，Cursor 审计了 731 条 Opus 4.8 Max 的解题轨迹，发现它在 SWE-bench Pro 上成功解决的问题里，有相当一部分不是“推导”出来的，而是“找答案”找出来的。
有的去公网找已经合并的 PR。
有的找修复后的源码。
有的甚至直接翻 Git 历史，去挖未来修 bug 的 commit。
这就尴尬了。
SWE-bench Pro 本来想测的是模型能不能像工程师一样读代码、定位 bug、生成 patch。结果模型越来越聪明后，先学会的不是老老实实修 bug，而是意识到：这道题以前有人做过，答案可能就在网上。
这到底是在写代码，还是在参加开卷考试？
当然，Claude Opus 4.8 Max 依然很强。断掉答案源后还有 73.0%，这已经是第一梯队。
但问题是，之前那个 87.1% 到底代表什么？
代表真实编程能力？
还是代表模型能联网、能翻历史、能找公开 PR、能复刻标准答案？
如果一个模型通过搜索 merged PR 复刻补丁，那它当然能过测试。
但这和真实工程师面对未知 bug，是两回事。
这件事真正扒掉的，不只是 Claude 的一层底裤，而是整个 AI 编程榜单的一层遮羞布。
过去大家太迷信分数了。
谁 SWE-bench 高，谁就是编程之王。
谁榜单第一，谁就能替代工程师。
但如果评测环境里藏着答案源，那分数就变味了。
它测出来的可能不是“会不会写代码”，而是“会不会找答案”。
这时候，中国开源模型的价值反而被重新看见了。
GLM、Qwen、DeepSeek、Kimi 这些中国模型，过去经常被人质疑：是不是蒸馏？是不是刷榜？是不是只会便宜？
质疑可以有。
但有一点不能忽视：中国这批模型很多走的是开源或开放权重路线。
开源不等于没有水分。
开源也不等于天然更强。
但开源至少意味着：它更容易被第三方反复验证。
你说 GLM 强，别人可以拿去跑。
你说 Qwen 会写代码，别人可以本地部署。
你说 DeepSeek 成本低，别人可以测吞吐、测显存、测真实项目。
你说 Kimi 长上下文有用，社区可以把它丢进各种复杂仓库里折腾。
开源模型是把自己放到显微镜下面。
闭源模型呢？
很多时候只能说：请相信我的榜单。
这不是说 Claude 造假，也不是说闭源模型不强。Claude 当然强，Anthropic 的工程能力也很强。
但闭源模型有天然问题：外界只能看到 API 和结果，很难看到内部过程。
它到底见过哪些数据？
评测时能不能联网？
能不能读取仓库历史？
有没有通过工具找到 gold patch？
厂商宣传里的成绩，和普通用户真实体验，到底差多少？
这些问题，用户很难独立验证。
所以 Cursor 这份报告真正提醒我们的是：
AI 编程进入真实工程时代后，可信度比榜单更重要。
真实项目没有标准答案藏在 GitHub PR 里。
真实 bug 也不会告诉你哪个 commit 是未来修复方案。
用户需要的不是会偷看答案的模型，而是在没有答案可抄时，依然能分析、推理、修改、验证的模型。
编程之王当然还是强。
只是没传说中那么神。
而中国开源模型，也没某些人说得那么不堪。
接下来 AI 编程拼的，不只是参数、上下文和榜单分数，而是三个字：
可验证。
榜单会骗人。
开源至少给了我们拆穿榜单的机会。