toki/iop
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
iop/agent-roadmap/phase/knowledge-tool-optimization-extension/milestones/thin-agent-model-comparison-benchmark.md
toki 3d10de0652 docs(bench): 단일 평가 기준을 추가한다 
별도 채점 하네스를 만들지 않고도 산출물을 재검산 가능하게 비교할 수 있도록 고정 100점 rubric, opaque 평가, 직접 evidence와 단순 총점 규칙을 마지막 작업으로 추가한다.
2026-08-14 06:07:30 +09:00

4.3 KiB
Raw Blame History

Milestone: [bench-lite-01] 초경량 Agent 모델 비교

위치

목표

[bench-route-01]에서 호출 가능성이 확인된 동일 9개 조합을 고정된 실제 비교 과제로 한 번씩 실행해 최소 비교 결과를 남긴다. 측정 지원 코드는 만들지 않고, caller 실행과 결과 기록, 고정 기준표에 따른 산출물별 1회 심층 평가만 측정 경계로 둔다.

상태

[진행중]

구현 잠금

  • 상태: 해제
  • SDD: 불필요
  • SDD 문서: 없음
  • SDD 사유: 기존 caller와 제품 경로를 단일 시도로 관측하는 test-only 작업이며 제품 API, 상태 머신, retry 또는 schema를 변경하지 않는다.
  • 결정 필요: 없음

범위

  • [bench-route-01]과 동일한 9개 caller/model/route 조합
  • 모든 조합에 얇은 비교 결과 문서의 같은 고정 비교 prompt와 같은 빈 임시 workspace 사용
  • 조합별 정확히 1회 실행
  • 성공 여부, 전체 경과 시간, caller가 직접 제공한 usage, 산출물 경로와 짧은 수동 관찰만 기록
  • 실행 전에 잠근 공통 100점 기준표로 각 산출물의 source와 동일 viewport render를 한 번만 분석하고, 항목별 증거·감점 사유·총점을 기록
  • 실패한 조합은 실패로 기록하고 같은 측정 안에서 retry, resume 또는 대체 run을 하지 않음

기능

Epic: [thin-run] 단일 시도 비교

  • [single-attempt-matrix] 9개 조합을 같은 prompt와 초기 상태에서 정확히 한 번씩 실행한다. 검증: 조합별 producer attempt가 하나이며 retry/resume/recovery 기록이 없어야 한다.
  • [minimal-result-table] 성공 여부, 경과 시간, caller 제공 usage, 산출물 경로와 짧은 관찰을 단일 Markdown 표로 기록한다. 제공되지 않은 usage는 미제공으로 두고 추정하거나 0으로 바꾸지 않는다.
  • [single-pass-scorecard] 실행 전에 고정한 공통 100점 기준표로 각 scorable 산출물의 source와 desktop/mobile render를 한 번만 함께 분석해 항목별 점수, 직접 증거, 감점 사유와 산술 총점을 기록한다. 검증: 평가 pass에는 route·model·시간·usage를 제공하지 않고 opaque 평가 ID만 사용하며, 모든 점수는 고정 anchor와 evidence를 가지고 재채점은 산술·전사 오류 수정으로만 제한한다.
  • [bounded-conclusion] 성공한 결과만 비교하고 실패·미제공 데이터를 점수 0으로 취급하지 않는 짧은 결론을 남긴다. 자동 채점이나 통계적 일반화는 하지 않는다.

완료 리뷰

  • 상태: 없음
  • 요청일: 없음
  • 완료 근거: [bench-route-01]과 단일 시도 결과가 아직 없다.
  • 검토 항목:
    • [bench-route-01]이 통과 또는 사용자 승인된 외부 차단 상태다.
    • 새 benchmark script와 자동화 state가 없다.
    • 조합별 정확히 한 번의 실행, 최소 결과 표와 evidence-backed 단일 평가표만 남았다.
  • agent-ui 상태 반영: 해당 없음
  • 리뷰 코멘트: 없음

범위 제외

  • manifest runner, orchestration framework, lifecycle store
  • retry, resume, recovery qualification, stale-run repair
  • browser/CDP 자동 검증, screenshot pass/fail gate, accessibility/network 자동 gate
  • 별도 judge 모델, 다중 평가자 합의, 자동 순위, 반복·분산·유의성 분석
  • 이 측정을 IOP 제품 안정성 또는 다른 Milestone의 완료 조건으로 승격하는 것

작업 컨텍스트

  • 선행 작업: 벤치 경로 최소 HTML 스모크 완료
  • 실행 방식: 기존 공식 caller 명령을 한 번씩 직접 실행하며 공통 runner를 만들지 않는다.
  • 결과 위치: 얇은 비교 결과
  • 준비 상태: 교체 가능한 고정 prompt, 9행 결과표, 공통 100점 기준표, 단일 평가 scorecard를 준비했다. 별도 script, judge, manifest, state store는 없다.
  • 세션 라우팅: 이 세션에서 execution preset의 Work 바인딩은 사용자 지시에 따라 live ornith:35b를 사용하며 tracked 설정은 변경하지 않는다.