/benchmarks）汇总所有 sf bench 产出的分数：
Benchmarks 看板。跑过 sf bench 之后才会有分数。
- 行 = 模型 / run，列 = 基准（GSM8K / MMLU / C-Eval…）。单元格是分数和样本数。
- 每列最优分标绿。
- 过滤：基座、方法、runner、时间范围。
- 点分数跳到那次评测作业（日志和 runner 参数）。
数据从哪来
sf bench 的评测作业在训练容器内跑 lm-eval / evalscope，分数经 ingest 幂等入库（同 run 同基准重跑覆盖旧分，不产生重复行）。两个 runner 遵守同一分数契约，同一基准跨 runner 可比。