用途：根据真实基准测试输出，更新模型文档中的基准测试章节。范围包括运行或续跑基准测试、从 results/ 收集基准 CSV 结果、更新模型 README 中的基准表格，以及在基准状态变化时更新对应文档页面。不负责样本图导出，该任务由 model-sample-image-export 负责。
推荐流程：优先使用 tools/experimental/benchmarking/benchmark.py 并配合合适的配置文件。若标准基准路径不适用于特定模型，可基于该流程派生一个小型辅助脚本，除非多个模型明显需要同一模式，否则保持模型专用，并将 CSV 等可测量输出保存到 results/ 下。
证据要求：只发布来自实际产物的基准值，例如 results/<model>_benchmark.csv、runs/ 或 results/ 下基准生成的 CSV，以及明确记录测量指标的模型专用运行输出。绝不推断缺失值。
更新规则：刷新基准表格前，先读取目标 README 与对应文档页面，再读取基准产物来源；只填写实际存在的 shot 设置与指标；不可用的行留空或标 TODO；若基准仍不完整或仍在运行，更新状态措辞。常见需刷新的小节有 Image-Level AUC、Pixel-Level AUC、Image F1 Score、Pixel F1 Score。若 README 只有占位符，只替换有测量结果支持的行。
文档同步：若 README 基准状态变化，需更新 docs/source/markdown/guides/reference/models/image/<model>.md 或 docs/source/markdown/guides/reference/models/video/<model>.md 下的对应页面；文档可短于 README，但不得与其矛盾。
质量检查：完成前确认基准产物仍存在、复制值与产物完全一致、平均值仅由测量值计算、不完整行保持清晰的不完整标记、README 与文档措辞符合实际。评审清单包括检查产物存在、每个复制值匹配、部分运行被明确标注、README 与文档措辞一致。仓库注意事项：部分基准任务可能需要派生辅助脚本；长时间运行更适合在 tmux/后台会话中续跑；基准可足以填写部分行而无须支撑所有行；绝不用编造数字替换 TODO。