если реально оценивать с чем-нибудь еще, надо на одном оборудовании/операционке запускать несколько реализаций. И, по-хорошему, на ранее проверенном оборудовании. Иначе могут вылезти неожиданности. А ещё лучше, запускать там, где уже другие бенчмарки гоняют.