概念benchmark scores
基准分数
衡量AI模型能力的标准化测试结果，通过固定题库评估模型在知识问答、数学推理、代码生成等任务上的表现，优势在于可复现、可横向比较，但容易催生刷榜行为且不直接映射真实场景可靠性
时间轴 (近 90 天)
11月3日
企业不应以基准分数作为Text-to-SQL模型选型的唯一依据，而应在真实数据权限和硬件条件下做小规模验证，把基准成绩视为必要非充分条件。
待验证50%
11月1日
基准高分并不直接映射到真实使用场景中的可靠性，模型在开放式、模糊性强的任务上表现可能与榜单排名相去甚远。
待验证50%