Бенчмарк
Просто
Экзамен для ИИ: одинаковые задачи, чтобы честно сравнить, кто лучше.
Бизнес
Стандартизированное сравнение моделей/систем; смотреть на методику важнее, чем на цифру — этому посвящена глава 11.
Техно
Фиксированный датасет + метрика + протокол прогона (SWE-bench, GAIA, BrowseComp); риски: контаминация, self-reported, дрейф версий.