Существуют ли честные бенчмарки ИИ?

Пользователь Reddit критикует публичные бенчмарки ИИ за нечестность и просит найти независимые источники оценки моделей, например, для задач программирования. Обсуждение поднимает проблему доверия к метрикам производительности языковых моделей.