MaxxBench仅对DeepSWE的89个编程任务做了文件名小写、时间戳用UTC这类小幅修改，就导致Gemini 3.8 Flash等多款模型的DeepSWE评分下降超20个百分点，这也让不少人觉得模型跑分的参考价值还不如实际使用体验。