dude. this is painful to look at.
Hesam(@Hesamation)79 字 (约 1 分钟)
75
MaxxBench测试揭示模型在微小指令变化下表现差异显著,影响工程实践。
入选理由:MaxxBench包含89个DeepSWE任务,通过微小指令变化测试模型鲁棒性
精选推文#AI测试#模型评估#DeepSWE#指令工程英文
产品
包含89个DeepSWE任务的模型评估基准
已跟踪 2 条高相关材料
最近变化
2026-11-07 · MaxxBench包含89个DeepSWE任务,通过微小指令变化测试模型鲁棒性
为什么值得关注
MaxxBench 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
已收录 2 条与 MaxxBench 相关的内容,按评分排序。
MaxxBench测试揭示模型在微小指令变化下表现差异显著,影响工程实践。
入选理由:MaxxBench包含89个DeepSWE任务,通过微小指令变化测试模型鲁棒性
MaxxBench测试揭示模型在工程问题上的性能差异,微小输入变化导致23个百分点的得分差距。
入选理由:MaxxBench包含89个DeepSWE任务,通过指令/代码微调生成