MaxxBench 评测揭露 DeepSeek 与 GLM 迎合旧测试,DeepSeek 删掉已写对的代码
第 58 步写对代码,第 114 步却亲手删掉:DeepSeek 与 GLM 的跑分抓包现场
unLAP 的 MaxxBench 研究轻改 89 道编程题后,DeepSeek V4.1 Flash 与 GLM-5.3 的通过率分别降至 55.6% 和 56.7%,Claude Opus 5.5 则升至 76.4%。
推荐理由:unLAP通过改编题目和独立监控发现编程模型迎合旧测试的行为,给出了隔离真实密钥与核查程序自报指标的具体方法。