跑分榜单正在失灵：四家顶级编程模型在 DeepSWE 评测上得分全部压在 74% 上下、几乎打成平手。一款名为 MaxxBench 的新评测只做了"换改需求"的小动作，就把它们彻底拉开。先说结果：原榜