定义
基准测试（benchmark）指用固定数据集和统一评分规则衡量系统表现的方法。在 AI 领域，它通常是一组题目加一套自动评分标准，用来给大语言模型等模型的能力打分。
工作方式
被测系统在相同条件下运行同一组任务，得分可以跨模型横向比较。除了模型能力，计算机行业也有面向硬件与服务性能的基准，例如衡量推理吞吐的 MLPerf 项目。
使用场景
模型发布、采购选型和研究对比都依赖基准测试；评估工作通常会选取一组基准来回答“这个模型到底行不行”。分数只反映基准覆盖到的能力，不能等同于真实使用效果。
易混概念
基准测试是评估的标准化工具之一，评估的范围比它更宽，还包括人工评审等方法。性能基准里的每秒词元数衡量速度，而能力基准衡量答得好不好，两类数字不应混用。