Databricks Mosaic Research团队开发了一套名为Mosaic Evaluation Gauntlet的基准测试，用于评估不同能力的模型质量。他们测试了39个NLP性能基准，并确定了能够准确排名模型的训练规模指标。这些基准被分为良好、不良和噪声级别基准。团队建议在使用后两类基准时要谨慎。他们还承认了分析的局限性，并建议进一步探索不同模型大小和类型。