Epoch AI 评测：DeepSWE v1.1 软件工程基准被判定为 Flawed

Epoch AI 用 Opus 5 和 Sol 5.6 扫描 DeepSWE v1.1 全部 113 个任务，在 23 个（超 20.3%）任务中发现假阴性错误，据此将该基准判定为 Flawed。其中 18 个（78%）源于模型修改现有测试文件，而验证器会丢弃这些改动并注入隐藏测试，导致符号重复定义或引用失效、测试包编译失败。