Benchmark
A standard test set used to compare models — useful for direction, unreliable as a guarantee.
Benchmarks machen Modelle auf dem Papier vergleichbar. Ihre Schwächen sind strukturell: Sie sickern mit der Zeit in Trainingsdaten ein, sie werden als Ziel wegoptimiert, und sie ähneln deiner Arbeitslast selten. Lies sie als grobes Signal und führe danach deine eigenen Evals aus.
In der Praxis: Ein Modell führt einen Coding-Benchmark an und scheitert trotzdem an deiner Codebasis.