Методика

Решения сравниваются на одинаковой bounded task (ограниченной задаче), наборе tools (инструментов), risk scenarios (сценариях риска) и eval dataset (наборе данных для оценки).

Учитываются permissions (права доступа), state (состояние), observability (наблюдаемость), стоимость и сложность эксплуатации. Редакционные workflows (рабочие процессы) явно помечаются.