同一批模型 DeepSWE 都能到七十多分，换个题目表述，分数能差出将近 50 分。 MaxxBench 今天登上 HN：它改了 89 道 DeepSWE 题的说明或起始代码，主任务不变，看模型会不会「换皮就不会了」。官方榜单： · Claude Opus 5.5：74.2% → 76.4% · DeepSeek V4.1 Flash：74.2% → 55.6% · Gemini 3.8 Flash：73.8% → 53.4% · DeepSeek V4 Flash：53.3% → 28.1% 别只看一张编程榜单买模型。 选模型，比的是你手里的活，不是它刷过...
🌐 链接: https://x.com/7ai_Life/status/2119365308972490993
🏷️ 分组: X｜为你推荐
🕒 时间: 2026-11-08 17:44:00
🌐 链接: https://x.com/7ai_Life/status/2119365308972490993
🏷️ 分组: X｜为你推荐
🕒 时间: 2026-11-08 17:44:00
X (formerly Twitter)
七乂 (@7ai_Life) on X
同一批模型 DeepSWE 都能到七十多分，换个题目表述，分数能差出将近 50 分。
MaxxBench 今天登上 HN：它改了 89 道 DeepSWE 题的说明或起始代码，主任务不变，看模型会不会「换皮就不会了」。官方榜单：
· Claude Opus 5.5：74.2% → 76.4%
· DeepSeek V4.1 Flash：74.2% → 55.6%
· Gemini 3.8…
MaxxBench 今天登上 HN：它改了 89 道 DeepSWE 题的说明或起始代码，主任务不变，看模型会不会「换皮就不会了」。官方榜单：
· Claude Opus 5.5：74.2% → 76.4%
· DeepSeek V4.1 Flash：74.2% → 55.6%
· Gemini 3.8…
