提出SWE-Flux基准，含480个真实Python仓库级执行推理实例，首次支持LLM对完整代码库动态行为的评估。

发现LLM过度依赖标识符名称等词汇线索进行代码理解，提出Face/Off框架验证语义鲁棒性缺陷。