MaxxBench通过改写DeepSWE任务评测模型适应能力

MaxxBench改写89个DeepSWE任务的指令或初始代码，用于衡量模型适应新要求的可靠性，参考补丁中位增加17行、占3.5%。12组配置的得分差距由DeepSWE的20.9个百分点扩大到MaxxBench的48.3个百分点，Claude Opus 5.5以76.4%领先，Gemini 3.8 Flash降至53.4%。