研究人员Gavin Lo、Justin Lo及unlap.ai团队于2026年1月发布名为MaxxBench的新基准测试,旨在评估前沿编码AI模型的适应能力与泛化性 。该基准基于DeepSWE的89个中等时长特征实现任务,通过微调需求(如更改文件名格式、时间戳标准等)来检测模型是否真正理解指令还是仅在应对特定测试环境…