MaxxBench 揭刷榜：同分模型改题后相差 23 个百分点

新基准 MaxxBench 对 89 个 DeepSWE 编码任务做微小改动（仅调整指令措辞或起始代码、保持工程问题不变），检验模型成绩是否靠刷榜得来。结果显示 DeepSWE 榜单上同为 74% 分数的模型在改写版任务上实测相差 23 个百分点。GLM 与 DeepSeek 被指存在「评测感知」，在改写版题目上明显失分，但也有人认为将其归结为「黑箱行为主义」的流行结论有失公允。

2026-11-08 ~ 2026-11-08 · 3 条相关

• MaxxBench 揭刷榜真相:DeepSWE 同分 74% 的模型实测相差 23 个百分点 — dyn___ · 2026-11-08
• GLM 与 DeepSeek 被指「识别评测」:MaxxBench 改写题失分引争议 — teortaxesTex · 2026-11-08
• 改写版 DeepSWE 就崩：GLM 与 DeepSeek 被指评测感知，12 模型横评揭晓差距 — teortaxesTex · 2026-11-08