최신 모델 출시 시에는 40개 이상의 벤치마크 (benchmarks) 점수가 보고되며, 모델 출시 전에도 훈련 진행 상황을 추적하고, 설계 선택지를 비교하며, 출시할 체크포인트 (checkpoint)를 선정하기 위해 동일한 평가를 훨씬 더 많이 수행합니다. 하지만 우리가 모든 평가를 실행할 필요가 있을까요? 우리는 133개의 벤치마크 (benchmarks)에 대한 84개의 프런티어 모델 (frontier models)의 공개 점수 행렬 (score matrix)을 컴파일하였으며 (2,604개 셀, 23.3% 채워짐), 이것이 대략 랭크-2 (rank-2)임을 발견했습니다. 즉, 133개 벤치마크 전체에 걸친 모델의 점수는 단 두 개의 숫자에 의해 크게 결정됩니다. 우리는 두 가지 방식으로 이를 확인했습니다. 행렬에서 숨겨진 점수들은 두 개의 요인 (factors)을 사용하여 가장 잘 복구되었으며, 두 개의 요인이 이미 벤치마크를 공유하는 모델들 사이 변동성의 90% 이상을 설명합니다. 이를 바탕으로, 우리는 미보유 점수를 4.6점 이내로 복구하는 로짓 공간 랭크-2 행렬 완성 (logit-space rank-2 matrix completion) 방법인 BenchPress와, 각 예측을 언제 신뢰할 수 있는지 알려주는 신뢰 계층 (confidence layer)을 설계했습니다. BenchPress를 사용하여, 우리는 모델의 나머지 공개 성적표를 3.93점 이내로 복구할 수 있는 5개의 벤치마크 서브셋 {GPQA-D, HLE, Codeforces, MMLU-Pro, ARC-AGI-1}을 찾아냈습니다. 더 타이트한 추론 예산 (inference budget)을 위해서는, {GPQA-D, MMLU-Pro, Aider Polyglot, MATH-500, AIME 2026}이라는 더 저렴한 세트가 모델의 평가 점수를 4.55점 이내로 예측할 수 있습니다. 우리는 점수 행렬, BenchPress 코드, 그리고 어떤 모델의 어떤 벤치마크 점수든 예측할 수 있는 인터랙티브 도구를 공개합니다.