MaxxBench 实测揭示 DeepSWE 同分模型相差 23 个百分点

MaxxBench 对 89 个 DeepSWE 编码任务微调指令措辞或起始代码，揭示原在 DeepSWE 约 74% 同分的模型实测相差 23 个百分点。Claude Opus 5.5 以 76.4% 居首，GPT-6 Astra 为 71.9%，Muse Spark 1.2 为 38.8%；结果显示，标准 benchmark 高分可能包含 benchmaxing 成分。