Какой бенчмарк сообщество считает эталоном для проверки производительности?

Пользователь ищет рекомендации по бенчмаркам для оценки качества LLM на домашнем оборудовании. Он упоминает SWE-bench и контекст использования моделей для агентов и автоматизации. Обсуждение фокусируется на практических метриках валидации производительности.