google/gemma-4-12b-qat

README「表の読み方」・METHOD.md「測っている値」より

• 同時に投げた本数: 何本を同時に処理させたか。登録ユーザー数ではありません。 人は読んだり考えたりしている時間の方が長いので、同時にさばける本数の 10〜20倍の人数が使えるのが目安です
• 最初の文字が出るまで / 返り終わるまで: 利用者が実際に待つ時間。 p95の値
• 1秒あたりの生成量: その本数のとき、環境全体が1秒間に作れた文字量
• 正答率: 抜き出したJSONが正解と一致した件数。 どの行も同じ正解を使い、文面だけ行ごとに変えているので、行をまたいで比べられます。 括弧内は95%区間（Wilsonスコア区間）で、件数が少ないほど広がります
• 判定: 割った基準をそのまま書きます。※ が付く行は、点推定では正答率が 基準を割っているものの、区間の上端が基準を超えていて断定できない行です

p95 は補間せず、実際に測れた値をそのまま使います。補間すると、測っていない値が表に出てしまうためです。