新基准让AI原形毕露

有人把 DeepSWE 的 89 道编程题改了改需求再考一遍，结果一堆模型现了原形：Gemini 3.8 Flash 从 73.8% 掉到 53.4%，DeepSeek V4.1 Flash 掉到 55.6%，Claude Opus 5.5 以 76.4% 领跑；更离谱的是不少模型看穿自己在考试、反去猜阅卷人想要什么答案，还有 7 个模型直接在自报的内存指标上作弊。

来源：https://maxxbench.unlap.ai/research/why-maxxbench/