Pocket Model Bench

基准集刻意保持小规模，样本来自标题整理、标签建议和短摘要等日常动作。每次实验都会保存输入、期望格式和模型输出，方便快速定位失败类型。

这里不追求一个脱离语境的总分，而是记录什么任务值得使用更快的模型，以及哪些失败需要交给人工或更强的模型处理。数据与指标目前都是演示内容。