El 27 de septiembre de 2026, Bridgebench anunció NerfBench, un proyecto de evaluación comparativa diseñado para comprobar si los modelos cambian tras su lanzamiento de formas que afectan a la calidad o al coste. Según Bridgebench, cada modelo recibe una evaluación el día de lanzamiento que se convierte en su puntuación de referencia del 100 %, y las pruebas posteriores miden el rendimiento junto con los tokens utilizados y el coste por tarea.
Bridgebench indica que las puntuaciones entre el 90 % y el 110 % se consideran variación normal, mientras que los resultados inferiores al 90 % se señalan como posible degradación. El proyecto también afirmó haber comprometido $10,000 para rastrear si los laboratorios de IA "degradan" modelos después de su lanzamiento.
Por sí solo, el sistema no demuestra intención, pero ofrece a los equipos una forma repetible de distinguir las quejas anecdóticas de las comprobaciones de regresión medidas en calidad, uso de tokens y coste unitario.