CursorBench：Sonnet 4.6 得 49%，作为 Sonnet 5 上线对照基线

一句话结论

Cursor 官方在 CursorBench 上把新上线的 Claude Sonnet 5 写成 57%，把 Claude Sonnet 4.6 写成 49%；这说明 4.6 仍是 Cursor 内部编码代理评测的对照基线，但公开帖没有给出题目、配置和逐题轨迹。

测试环境

• 任务：CursorBench（Cursor 自有编码/代理评测，帖文未展开定义）。

• 对照模型：Claude Sonnet 5 vs Claude Sonnet 4.6。

• 发布语境：宣布 Claude Sonnet 5 已在 Cursor 中可用。

• 可见指标：57% vs 49%。

输入/配置

X 帖未公开 prompt、agent harness、effort、工具权限、重复次数或是否启用 thinking。不能把这两个百分数当成 SWE-bench 或其他公开榜的对应分数。

结果数据

• Claude Sonnet 5：CursorBench 57%。

• Claude Sonnet 4.6：CursorBench 49%。

• 作者表述为 “significant” 提升。

• 帖文互动量可见：约 115.9 万浏览、205 转帖、349 回复、4179 赞（采集时页面数字）。

结论

在 Cursor 自己的代理评测里，Sonnet 4.6 明显低于后续的 Sonnet 5。若你的工作流绑在 Cursor，4.6 更适合作为“已验证、更便宜的对照”，而不是该客户端上的最新最强 Sonnet。若工作流不在 Cursor，这条结果只能说明相对差距，不能单独决定是否继续用 4.6。

局限

• 只有两个总分，没有分项、方差、失败类型。

• CursorBench 未在该帖公开题目集，无法独立复现。

• 厂商在发布新产品时给出的对照，存在选择基准的偏差。

• 未说明 4.6 / 5 是否使用相同 effort、上下文窗口和工具集。

复现步骤

1. 在 Cursor 中分别固定 Claude Sonnet 4.6 与 Sonnet 5，关闭其他模型自动升级。

2. 准备同一组真实 PR/issue，保存完整 agent 轨迹、diff 和测试结果。

3. 按“一次通过、测试绿、人工返工”打分，而不是只抄 49/57。

4. 报告 Cursor 版本、模式（Ask/Agent）、effort 和是否开启 1M 上下文。