Quelques dizaines à quelques centaines de questions représentatives, chacune avec la réponse attendue ou les critères d’une bonne réponse. On le rejoue à chaque changement de prompt ou de modèle pour détecter les régressions.
Un bon jeu de référence couvre les cas fréquents, les cas limites et les cas pièges, et il grandit à chaque bug trouvé en production.