Ono ty benchmarky je treba brat s velkou rezervou. Napriklad pro novy Grok jeden z nich neuvadi, protoze ho "omylem" meli v datech pro uceni. Nic nebrani tomu, aby omylem nebo "omylem" byly v datech i ty ostatni.
Jediny opravdovy benchmark bude, jestli za to lidi a spolecnosti budou ochotni dlouhodoble platit cenu, za kterou je to udrzitelne provozovatelne. To zatim nema nikdo.