Claude Sonnet 5.5 基准测试：70.6% Terminal-Bench 4.0、81.3 SWE-Bench Pro、AA 指数 56。说明各项测试由谁执行、不同 effort 的成本，以及如何自行跑评测。

Grok 4.7 基准测试：汇总官方公布的各项分数、不同 effort 的单任务成本、Artificial Analysis 与 SWE-Together 的独立结果，以及沙箱逃逸审计结论。