MaxxBench 发布：改写 DeepSWE 任务需求后，模型分数差距翻倍

MaxxBench 团队修改 89 个 DeepSWE 任务的需求或起始代码，发现模型分数差距从 20.9 个百分点扩大到 48.3 个百分点。Claude Opus 5.5 从 74.2% 升至 76.4%，Gemini 3.8 Flash 从 73.8% 降至 53.4%，DeepSeek V4.1 Flash 从 74.2% 降至 55.6%。