Самые реалистичные бенчмарки для LLM?

Автор поста критикует существующие бенчмарки, утверждая, что они не отражают реальную способность моделей решать практические задачи. Обсуждение посвящено поиску метрик, адекватно оценивающих навыки кодинга, агентного поиска и офисной работы, в отличие от завышенных показателей в узких тестах.