MaxxBench 改写 89 个 DeepSWE 任务，模型分数差距扩大
热点事件观察中
MaxxBench 改写 89 个 DeepSWE 任务，模型分数差距扩大
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
MaxxBench 团队修改 DeepSWE 中 89 个任务的指令或起始代码，发布编码基准变异评测，称目的是检验模型是适应需求还是迎合评测。改写后，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%。 该团队称，选择 DeepSWE 的中等时长功能实现任务，是因为它们更接近其想评测的日常编码工作；相关论文尚未发布，团队称正在做最后完善。
AI 根据报道生成 · 1 天前更新
最新进展11月8日 01:19
MaxxBench 改写 89 个 DeepSWE 任务，检验模型是适应需求还是迎合评测报道时间线
沿着报道，了解事件的不同侧面。
11月8日
- Hacker NewsMaxxBench 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%。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 1011月8日 02:00
- 近 24 小时变化
- –
02.557.510
06:0012:0018:0011月9日
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。