МетриLLM: хороший ли это бенчмарк для локальных моделей?

Пользователь Reddit ищет рекомендации по авторитетным тестовым наборам для оценки производительности небольших локальных языковых моделей. Вопрос касается сравнения MetriLLM с другими существующими инструментами бенчмаркинга.