网友对DeepSWE基准测试争议不断，有人质疑其标准权威性，认为测试偏向特定提示风格；有人指出GPT 5.5虽通过测试但代码质量差，而Claude实际表现更好。多数用户认为基准测试无法衡量代码质量、可维护性等真实工作要素，建议根据自身需求选择模型。