benchmark
Angol megfelelő: benchmark
A benchmark egy szabványosított teszt vagy feladatsor, amivel különböző AI-modellek teljesítményét lehet objektíven összehasonlítani.
A benchmarkok jellemzően egy adott képességre fókuszálnak, matematikai érvelésre, kódírásra, olvasott szöveg értésére és számszerű pontszámot adnak, ami modellek közötti versenyre ad alapot. A gyakorlati használatban a benchmarkeredmény nem mindig tükrözi, hogy egy modell egy konkrét, valós feladatban hogyan teljesít, ezért érdemes saját teszttel is megerősíteni.