回答“当前这个 benchmark 在什么模式下怎样比较模型”。保存 live 入口、dated snapshot、protocol lens 和跨模型观察。
01 · BENCHMARK CATALOG
每套评测协议，拥有自己的观察子页
当前先建立 TabArena 与 BeyondArena 两个正式子页；后续还会继续接入 RamanBench、time-series 等 benchmark，但每一项都要先冻结来源和协议。Dataset Atlas 是跨 benchmark 的 protocol 工具，不冒充排行榜。
ACTIVE CHILD PAGELIVING LEADERBOARD · IID
TabArena 竞技场
连接官方实时 leaderboard，并保存 P11 核心模型的带日期快照、读榜镜头、版本/补值/预算警告与逐篇资料入口。
进入 TabArena 子页 → ACTIVE CHILD PAGEHOLISTIC BENCHMARK · BEYOND IIDBeyondArena
142 个精选数据集，覆盖 IID、temporal、grouped tasks、不同样本和维度规模，以及 text / high-cardinality 等复杂特征类型。
进入 BeyondArena 子页 → PROTOCOL TOOLP11 DATASET ATLASDataset、task compiler 与 protocol
追踪数据来源、target construction、split、HPO、contamination 与适用范围，为所有 benchmark 子页提供审计底座。
打开 Dataset Atlas → DISCOVERY QUEUEMORE BENCHMARKSRamanBench · Time-series · Your Benchmark
官方 Space 已经暴露更多评测入口。P11 会逐项核验后建立独立子页，不在总入口里把不同协议压成一张混合榜。
查看官方 benchmark 生态 ↗02 · COMPARISON PASSPORT
没有这十二项，就不转述一个“更强”
每个 benchmark 子页都应把一次观察封印成可复核的 comparison passport。动态榜单变化时，我们更新观察记录，而不是偷偷把旧数字当成静态事实。
01 · REGIMEIID / temporal / groupeddeployment 假设先于排名
02 · TASKclassification / regression预测对象不能混聚
03 · DATASET SET数量、来源、筛选包含哪些，排除哪些
04 · SPLITtrain / validation / test重复次数与 leakage audit
05 · METRICscore / Elo / rank聚合方法回答什么问题
06 · MODEL VERSION名称 + exact version相似名称不能强配
07 · PIPELINEdefault / tuned / ensemble结构与训练协议分开
08 · BUDGETHPO 与 time budget公平比较的资源边界
09 · COVERAGEcompleted / imputed %补值不冒充真实运行
10 · VERIFICATIONverified by whom不等于我们独立复现
11 · COMPUTEhardware + train/predict time把部署成本带回来
12 · SNAPSHOTobserved_at + source version实时来源优先于快照
最低转述格式：在「哪套 benchmark / 哪个版本 / 哪个过滤视图 / 哪种 pipeline / 哪个预算 / 什么覆盖率」下，模型在「哪个指标」上呈现「什么结果」。
03 · INFORMATION ARCHITECTURE
Benchmarks 与 References 是两棵互相连接的树
Benchmarks 负责比较问题与动态观察；References 负责单篇论文/项目材料、技术细节和笔记。TabArena 同时出现在两棵树里，但页面职责不同。
回答“TabArena 这篇论文和项目到底是什么”。保存文献身份、官方材料、P11 relevance、证据边界、阅读路径与笔记。
04 · GOVERNANCE BOUNDARY
总入口可以继续长，但不能把不同 protocol 混成一个榜
新增 benchmark 子页前，先过四个门
- 有明确、稳定、可回读的官方来源，而不是一张二手截图。
- 能写清 evaluation regime、数据范围、metric 与预算，不把模型名次脱离协议。
- 动态结果带观察时间和版本；静态论文结论与 live state 分开。
- 与对应 reference dossier 双向连接，但不把 benchmark 观察伪装成论文技术文章或独立复现。