Grok 4.6

publica

lo que publica el benchmark, tal cual.

escala

ese mismo resultado, de 0 a 100, contra el peor y el mejor del conjunto.

ajuste

lo que se le corrige por el desnivel de su fuente: cuánto puntúa de más o de menos que las otras sobre los modelos que comparten. Sin eso, un 70 de un benchmark y un 70 de otro no valen lo mismo, y la nota acabaría diciendo quién te midió en vez de cómo rendiste.

nivelado

lo que queda, y lo único que se promedia.

La calidad de cada effort no es la media de esa columna: antes se promedia con el centro del conjunto, y lo que sale se estira a 0-100 sobre el conjunto entero. Pasa por encima de cualquier nota —o tócala— y sale la cuenta completa, con sus números y sus operaciones. Por qué el centro manda más cuantas menos mediciones haya, en Metodología. Con un solo benchmark no hay promedio que hacer: la nota sale de esa única medición, y es la que más se acerca al centro por eso mismo. Por eso una variante así no compite por las tres respuestas, salvo que se baje el mínimo a mano en la página principal.

Las escalas salen de los extremos medidos del conjunto: DeepSWE v1.1, de 1.5% a 74.1%; Terminal-Bench 4.0, de 11.2% a 64.9%.