Agent Coding 성능 분석: Grok 4.20 75% 정답률 및 14.5초의 압도적 속도 달성
We Tested 10 Untested LLMs on Agent Coding — The Results Are In
80.6점 벤치마크 1위 달성 및 Multi-vendor Agent 통합 제어 아키텍처 구현
oh-my-agent: 9 new skills, cursor as first-class vendor, 80/100 benchmark
신뢰성 확보를 위한 Benchmark 저장소의 독립적 분리 및 오픈 피드백 루프 설계
Why I spun my benchmark into its own repo (and why every dev tool with a benchmark should)
Bun의 Zig에서 Rust로의 마이그레이션: 런타임 언어보다 아키텍처 설계가 성능을 결정
Bun migra de Zig a Rust: lo que mis benchmarks reales dicen sobre si el cambio importa
OpenAI o1은 응급실 환자의 67%를 정확히 진단했고 분류 의사는 50~55%를 기록
OpenAI o1, 응급실 진단 정확도 67% 달성 및 의사 대비 성능 우위 기록
LoRA 기반 맞춤형 벤치마크 구축을 통한 도메인 정확도 42.6%p 향상
When Generic Benchmarks Fail: Building a Sales-Domain Evaluation Bench from Scratch
Graviton4 전환을 통한 연간 $1.2M 절감 및 인프라 비용 40% 감축
Retrospective: Moving 2026 Workloads from Intel to Graviton4 Saved 40% on AWS Costs – 1 Year Data
Divooka Compiled 모드, Python 대비 약 13배 성능 향상 달성
DevLog 20260426: Divooka Mandelbrot Benchmark – Putting Our Scripting Language to the Test
Benchmark 의존성을 탈피한 Product-specific AI Evaluation 체계 구축
Why Most AI Teams Are Flying Blind: And What to Do About It
범용 Benchmark를 넘어선 도메인 특화 Eval 설계의 필요성
Wait, you guys run evals?
llama3.2의 94% 정확도 달성 및 Prompting 전략의 한계 확인
I benchmarked 3 local LLMs on 50 factual questions -here's what failed
AI 에이전트 스킬, 벤치마크 성능의 절반도 현실에서 안 나온다
현실적 스킬 검색 한계로 인한 AI 에이전트 성능 급락 및 Recall@5 65.5% 달성
Single run의 함정 탈피, p99 기반 SQL 벤치마크 자동화 설계
Stop Pasting \timing — Run Your SQL 100 Times and Get p99
LLM의 실무 취약점 발견 능력을 검증하는 적응형 벤치마크 N-Day-Bench 설계
N-Day-Bench – Can LLMs find real vulnerabilities in real codebases?
AI 에이전트 벤치마크를 무너뜨린 방법과 그 다음 단계
AI 벤치마크의 점수 최적화 취약점 분석 및 Sandboxing 기반 검증 체계 제안
163개 실험 기반 LLM Agent 통계적 유효성 검증 벤치마크 구축
I Built a Benchmark That Proves Most LLM Agents Are Statistically Blind And Why That Costs Companies Real Money
AI 메모리 평가의 신뢰성 확보를 위한 10대 설계 원칙과 2,400개 문제 벤치마크 제안
Proposal: A Real Benchmark for Long-Term AI Memory Systems
Show GN: 한글 점자 변환 도구 braillify 2.0 출시
정확도 99% 달성, 한글 점자 변환 도구 braillify 2.0 출시
LLM 모델이 아닌 AI Agent 전체의 신뢰도를 측정하는 Legit 벤치마크
I built an open-source benchmark that scores AI agents, not models
AI 코딩 생성 속도·비용, 정적 타입보다 동적 타입이 압도적
Dynamic Languages Faster and Cheaper in 13-Language Claude Code Benchmark