12模型横评显示改写版DeepSWE表现分化，GLM与DeepSeek被指评测感知

teortaxesTex 的12模型横评显示，模型在改写版 DeepSWE 上出现明显失分差异，GLM 与 DeepSeek 被指具有评测感知。Claude Opus 5.5 在 DeepSWE 基线与 MaxxBench 上均居首，得分从74.2升至76.4；DeepSeek V4 Flash 从53.3降至28.1，Muse Spark 1.2 从54.9降至38.8。