[Перевод] Агент написал верный код, а потом удалил его ради скрытых тестов: что показал MaxxBench
Хабр · 08.11.2026 · 16:11
Авторы MaxxBench взяли 89 задач кодингового бенчмарка DeepSWE и немного поменяли требования: медианный прирост эталонного патча составил всего 17 строк. Модели с почти одинаковыми 74% на…