7月14日、MarkTechPostが「Mistral Vibe for Code vs Claude Code vs Cursor vs Codex: Four Agents Scored on One Scaffold-to-PR Task」と題した記事を公開した。この記事では、Mistral Vibe for Code・Claude Code・Cursor・OpenAI Codexの4つのAIコーディングエージェントを、スキャフォールディングからPull Request作成までの実務的なタスクで比較評価した結果について詳しく紹介されている。
AIコーディングエージェントの選定は、今やエンジニアの日常的な技術判断になりつつある。本記事は「どれが一番速いか」ではなく、実際の開発ワークフローを1つのプロンプトで通し切れるかという観点で4ツールを評価した比較だ。
評価タスクと方法論
評価に使ったプロンプトはこうだ。
「既存のPython/FastAPIサービスに
/subscriptionsエンドポイントを追加せよ。ルート、Pydanticモデル、サービスレイヤーを適切なファイルにスキャフォールドし、ユニットテストと統合テストを生成・実行し、失敗を修正した上で、明確な説明付きのPull Requestを開け。」
このタスクはスキャフォールド→テスト→PR作成の3段階で構成される。おもちゃスクリプトではなく、実務の1単位として設定されている点が特徴だ。
評価は「1〜5点×5次元＝25点満点」のスコアリング方式で、ドキュメントされた機能・公開ベンチマーク・ベンダー仕様を根拠にしている。実際にプロンプトを流してタイムを計測した比較ではない点は明示されている。また、SWE-bench VerifiedとSWE-bench Proは別スイートであり、スコアを横並びで比較できないことも冒頭で注記されている。
総合スコア：Vibeが22/25でトップ、Claude CodeとCodexが21/25で並ぶ
| ツール | 総合スコア |
|---|---|
| Mistral Vibe for Code | 22/25 |
| Claude Code | 21/25 |
| OpenAI Codex | 21/25 |
| Cursor | ※注参照 |
※Cursorは元記事において総合スコアが明示されていない。スキャフォールド→テスト→PRという自律エージェント型タスクとの適合性の差が評価に影響しているとみられ、記事はこれを「品質の差ではなく、適合性の差」と表現している（詳細は後述）。
なお、各ツールのベンチマーク数値はSWE-bench VerifiedとSWE-bench Proといった別スイートにまたがっているため、ベンチマークスコアを直接横並びで比較することはできない。この点はスコアを参照する際に留意が必要だ。
各ツールの要点
Mistral Vibe for Code：コストとコントロールで頭一つ抜ける
Vibeはモデルが階層化されており、複雑なソフトウェアエンジニアリングにはMistral Medium 3.5がリモートエージェントとして動作し、IDE補完はDevstral、高速補完はCodestral、セマンティック検索にはCodestral Embedが使われる。Devstralだけで評価すると製品の実力を過小評価することになる、と記事は指摘している。
スキャフォールディングではファイルツリーとGit状態をスキャンしてプロジェクト文脈を把握した上でマルチファイル編集を実行する。Devstral 2は123Bの密なモデルで256Kコンテキストウィンドウを持ち、SWE-bench Verifiedで**72.2%**（オープンモデル最高水準とMistralは主張）。24BのDevstral Small 2（Apache 2.0）は68.0%で、コンシューマー向けハードウェアでも動作する。
PR・非同期ワークフローでは/teleportコマンドでローカルCLIからリモートエージェントへセッションを引き渡す機能が特徴的だ。マシンをオフにしてもセッションが継続する。
対応サーフェスが最広：ターミナルCLI、VS Code、JetBrains、Zed、Webアプリ、モバイル、バックグラウンドエージェントをすべてカバーし、タブ補完も内蔵するため補完専用ツールを別途用意する必要がない。
コスト：Proが$14.99/月と4ツール中最安。学生向けの$5.99ティアもある。自社環境へのセルフホスト、プライベートクラウドへのデプロイ、独自コードでのファインチューニングが可能で、EUデータ居住要件にも対応。Mistralは「Devstral 2はClaude Sonnetと比べて実タスクで最大7倍コスト効率が高い」と主張しているが、これは独自調査の数字だ。
弱点は、72.2%というスコアがフロンティアの閉じたモデルには届いていない点と、レートリミットのバグや不安定さの報告があること。CLIはUNIXファースト設計のため、Windowsチームは導入前に検証が必要だ。
Claude Code：実行力で最強、コストで最重
AnthropicのClaude CodeはClaude Opus 4.8（元記事原文表記：Claude Opus 4.8）をデフォルトモデルとして使い、30種類のライフサイクルフック・Skills・Plugins・Subagents・チェックポイント・プランモードを備える。
並列サブエージェントを大量に動かすDynamic Workflowsはスキャフォールド→テスト→PRの自律的な一連処理に最も適した設計だ。実績として、Bunの作者Jarred Sumnerが**約75万行をZigからRustへ11日間で移植、テスト通過率99.8%**という事例が引用されている。
価格は$20 Pro、$100 Max 5x、$200 Max 20xだが、並列サブエージェント実行では数千ドルに達したという事後報告が出ており、Anthropicの公表する平均も1日あたり約$13（並列化前）とされている。セルフホスト・データ居住要件への対応はなく、規制産業のチームには選びにくい。
OpenAI Codex：マルチサーフェス非同期が強み、時間制限が課題
CodexはGPT-5.6が2026年7月9日にGA（一般提供開始）となり、Sol・Terra・Lunaの3ティアで提供される。Apache 2.0のCLI、クラウドサービス、IDE拡張、ChatGPT（元記事原文表記：ChatGPP）アプリ、iOSアプリ、Amazon Bedrockと最も広いサーフェスをカバーし、セッション状態を維持したままデバイス間を移動できる点が特徴だ。
価格はFree〜$200のラダー構成だが、5時間ローリングウィンドウという制限があり、実際の開発者からは大規模リポジトリでは1時間程度で枠を使い切るという声がある。OpenAIの自社レートカードでは月あたり**$100〜$200/人**を見込む必要があるとされている。
Cursor：インライン編集の完成度は高いが、自律エージェントタスクには構造的に不利
CursorはVS Codeフォークで、Anysphereが開発するAIコードエディタだ。自社モデルComposer 2.5はArtificial AnalysisのCoding Agent Indexで62を記録。Anthropic・OpenAI・GoogleのフロンティアモデルをIDEから一元的に使える柔軟さを持つ。
ただし本評価の「スキャフォールド→テスト→PRを自律的に完走する」というタスク形状は、Cursorの強みである「IDE内インラインドリブンな編集」と合致しない。記事はこれを「品質の差ではなく、適合性の差」と表現している。総合スコアが元記事で明示されていないのも、この構造的なミスマッチが背景にあるとみられる。なお、前述のとおり各ツールのベンチマークはSWE-bench VerifiedとSWE-bench Proという別スイートにまたがっており、数値の単純比較には注意が必要だ。
課金は各ティアが定額のクレジットプールとなっており、Pro $20、Pro+ $60、Ultra $200、Teams $40/ユーザー。プールを消費しきるとAPI実費で後払い請求となるため、$20が上限ではなく下限になる。
まとめ
4ツールの選び方は用途によって明確に分かれる。
- コスト・自社ホスト・データ規制が優先→ Mistral Vibe for Code
- 自律エージェントの実行力を最大化したい→ Claude Code（コストを許容できるなら）
- マルチサーフェス・非同期で複数デバイスをまたいで使いたい→ Codex
- IDE内での高速インライン編集が主な用途→ Cursor
いずれのツールも週次でアップデートが入る製品であり、今回のスコアは2026年7月14日時点の仕様に基づいている。
詳細はMistral Vibe for Code vs Claude Code vs Cursor vs Codex: Four Agents Scored on One Scaffold-to-PR Taskを参照していただきたい。
