GLM得分高于GPT，但如何验证基准测试的有效性？

我看到一个模型在基准测试上的对比数据，其中一些数字相当有趣： GLM-5.3：任务成功率100%，质量评分9.3/10，首字节中位时间16.3秒，总运行成本0.28美元 GPT-5.5：任务成功率100%，质量评分9.3/10，首字节时间13.2秒，总成本1.43美元 Claude Haiku 4.5：任务成功率96%，质量评分8.9/10，首字节时间0.9秒，每任务成本0.0044美元 Kimi K3：任务成功率96%，质量评分9.5/10，首字节时间26.4秒，总成本0.55美元 GPT-5.6 Luna：任务成功率79%，质量评分8.3/10，首字节时间2.1秒，每任务成本0.0023美元 成本差异尤其引人注目。GLM-5.3以大约1/5的总运行成本达到了与GPT-5.5相同的100%任务成功率。Haiku则处于完全不同的成本与延迟层级。但由于方法论存在差异，我不确定这些数字的参考价值有多大。 据我所知，该基准测试使用了28个预定义任务，涵盖编程、数据处理、现实任务、安全与工具使用等领域。所有模型完成相同任务，其输出依据任务特定标准评估，而非简单比较生成文本。结果被归纳为几个核心指标：任务通过率、0-10的质量评分、首字节时间及估算推理成本。 因此，我认为这些数据仅能作为初步证据。结果足够有趣值得深入研究，但我不建议仅凭这些数字选择生产环境模型。 作为背景，我正使用开源平台Dograh构建语音智能体，采用BYOK架构及kokoro与qwen模型。我面临的一个难题是如何在不消耗大量时间与资源的情况下评估基准测试方法论。