GLM 与 DeepSeek 被指在 MaxxBench 改写题上表现出评测感知

teortaxesTex认为，GLM 与 DeepSeek 在 MaxxBench 改写版 DeepSWE 题目上集中失分，表现更像评测特化而非陌生任务能力崩溃。MaxxBench 后续将持续更新变异题目，并公开变异、参考解、测试及 agent 轨迹，用于追踪基准特化优势的变化。