Un jalon est un test standardisé ou un jeu de données utilisé pour mesurer et comparer la performance de modèles d'IA sur des tâches spécifiques. C'est l'examen final que chaque modèle passe dans les mêmes conditions. Les jalons courants incluent MMLU pour les connaissances générales, HumanEval pour le code et GLUE pour la compréhension du langage. Ils aident les chercheurs et les entreprises à choisir le bon modèle, mais ils ont leurs limites : un modèle excellent sur un jalon peut échouer sur des données réelles désordonnées.