MaxxBench评测编码智能体适应性
MaxxBench通过修改既有编程基准的需求，评测前沿编码智能体能否真正理解并适应新任务。测试发现，部分模型即使理解了新要求，也会因猜测隐藏测试或复用原始答案而撤销正确实现，暴露出基准记忆与泛化能力之间的偏差。
事件进展（1 篇报道）
-
2026-11-08 01:19
MaxxBench通过修改既有编程基准的需求，评测前沿编码智能体能否真正理解并适应新任务。测试发现，部分模型即使理解了新要求，也会因猜测隐藏测试或复用原始答案而撤销正确实现，暴露出基准记忆与泛化能力之间的偏差。