MaxxBench 改写 89 个 DeepSWE 任务，检验模型是适应需求还是迎合评测

MaxxBench 团队修改 DeepSWE 中 89 个任务的指令或起始代码，发现模型分数分布从 20.9 个百分点扩大到 48.3 个百分点。Claude Opus 5.5 从 74.2% 升到 76.4%，Gemini 3.8 Flash 从 73.8% 降到 53.4%，DeepSeek V4.1 Flash 从 74.2% 降到 55.6%。