六天前那篇《Anthropic 发布 Sonnet 5：逼近 Opus 4.8，但跑分目前只有官方自测》留了一个待办：SWE-bench、Artificial Analysis、vals.ai 这些独立榜单还没贴出自己的 Sonnet 5 成绩，等它们跑完再回头看。今天（7 月 6 日）复核了一轮，结论是——动了一点，但没动到根上。
有实质进展的部分
Artificial Analysis 把 Sonnet 5 跑进了自己的 Intelligence Index：最高努力档 53 分，落后 GPT-5.5（xhigh）和 Opus 4.8（max）2-3 分，在其榜单排第 5；非推理版本 42 分。这是独立评测方第一次拿出自己跑出来的数字，而不是转述官方发布材料。需要说明的一个前提：Artificial Analysis 官方账号自己写的是”We supported @AnthropicAI to evaluate Claude Sonnet 5 ahead of release”——评测是发布前跟 Anthropic 协作完成的，不是模型上线后背对背抽测，独立性打了折扣，但用的是 AA 自己的标准化题库和方法论，跟单纯转抄系统卡数字不是一回事。
另一个独立数据点来自 Cursor：他们在自己的生产环境跑了 CursorBench，测出 Sonnet 5 61.2% 对 Sonnet 4.6 的 49.0%。这家跟 Anthropic 没有协作关系，测的也是自己的基准而非官方发布的那几项。方向上印证了”Sonnet 5 比 4.6 有实质提升”，但 CursorBench 不是 SWE-bench Verified、Terminal-Bench 或 OSWorld，没法直接拿来对账官方数字。
核心问题：SWE-bench Verified 85.2% 还是没有独立复测
这是复核目标里最关键的一条，答案是否定的。多方检索（含专门反查怀疑论调的搜索）明确给出同一个结论：独立的 SWE-bench Verified、LiveBench 或第三方智能体评测跑分，到目前为止都不存在；所有公开数字最终都指回 Anthropic 自己发布的图表。
不过追溯来源这件事上有一点进展。6 月 30 日那篇文章里，“85.2%“只能查到 Kingy AI、llm-stats 这类二手转述，笼统标注”出自系统卡”，一手 PDF 没人指名页码。这次检索到多篇文章（llm-stats、Vellum、buildfastwithai 等）统一指向同一处一手来源：Anthropic《Claude Sonnet 5 System Card》Table 8.1.A。也就是说二手转述之间终于对齐到了同一张表，不再是各说各话。但这仍然是”来源更精确的自测数字”，不是独立复测——而且说老实话，我这次没能亲自打开那份 PDF 核对：www-cdn.anthropic.com 不在当前环境的出网白名单里，www.anthropic.com 的官方发布页也被代理拦了 403，只能停在”二手来源已收敛到同一张表”这一步，没能验证到第一手文本。
官方榜单这边同样没有动静。SWE-bench 官方榜单（swebench.com）能查到的最新 Sonnet 型号仍是 “Claude 4.5 Sonnet”，没有 “Sonnet 5” 的独立提交记录；Epoch AI 的 SWE-bench Verified 页面说明了自己的评测方法论（500 题中排除 16 题、用剩下 484 题跑），但检索不到他们已经跑出 Sonnet 5 分数的报道。Terminal-Bench（tbench.ai）的情况更模糊：有的转述说 Sonnet 5 “已经出现在榜单上，来源标注 Anthropic 和 tbench.ai”，但没法判断这是 tbench.ai 团队自己跑的分，还是第三方博客把官方数字誊进了榜单式的对比表——原始页面同样被代理拦了 403，这次没能直接核实。
当前状态
| 复核目标 | 6/30 状态 | 7/6 状态 |
|---|---|---|
| SWE-bench 官方榜单收录独立跑分 | 未收录 | 仍未收录（最新条目是 Claude 4.5 Sonnet） |
| Terminal-Bench / OSWorld 独立收录 | 未收录 | 存疑，无法核实来源独立性 |
| Artificial Analysis / Epoch AI 发布数据 | 均未发布 | AA 已发布（Intelligence Index 53 分，非背对背评测）；Epoch AI 未见 |
| SWE-bench Verified 85.2% 一手来源确认 | 仅二手转述，笼统标”系统卡” | 二手转述收敛到 Table 8.1.A，但一手 PDF 因出网限制未能亲自核验 |
六天过去，独立生态多了两个数据点（Artificial Analysis 的 Intelligence Index、Cursor 的 CursorBench），方向上都支持”Sonnet 5 确有提升”，但都不是对官方那几项 headline 基准（SWE-bench Verified/Pro、Terminal-Bench 2.1、OSWorld-Verified）的直接复测。这几个数字目前依然只有 Anthropic 一家说了算。下一次复核值得盯的，是 SWE-bench 官方榜单和 Terminal-Bench 榜单是否真的出现独立跑分条目，而不是又一篇转述系统卡的博客。