평가 벤치마크
모델 성능을 측정하기 위해 정의된 테스트셋과 메트릭의 집합으로서 표준화된 입력, 정답 라벨, 평가 절차를 포함한다. 벤치마크는 모델 비교의 기준을 제공하지만 배포 환경의 분포 편차나 실패 모드를 포착하지 못하면 실제 과제 성능을 잘 반영하지 못한다. 게시물은 표준 벤치마크 점수가 실무 성능을 예측하는 데 한계가 있음을 핵심 결과로 보고했다.
