排行榜

开发者应将排行榜当作参考而非结论，分数差距在5个百分点以内的模型实际体验可能没有显著差异。

读取排行榜应检查评分标准、裁判类型、类别分、提交日期以及基准作者是否提交了自己的模型。

30个任务足以暴露一个坏掉的评测工具链，却不足以支撑关于某个模型家族的排行榜声明。