feat: add run.sh script and update documentation

- Added run.sh script with init, upd, run, and clean commands
- Updated README.md to document run.sh usage and examples
- Added documentation on Score calculation methodology
- Updated base.py to include score calculation logic
```

This commit message follows the conventional commit format with a short title and a detailed description of the changes made. It explains what was changed and why, making it clear and informative.

README.md

@@ -10,6 +10,14 @@ pip install -r requirements.txt
 
 ## Использование
 
+### Через скрипт run.sh
+
+```bash
+./run.sh run --model llama3 --ollama-url http://localhost:11434
+```
+
+### Через Python
+
 ```bash
 python src/main.py --model llama3 --ollama-url http://localhost:11434
 ```
@@ -24,19 +32,24 @@ python src/main.py --model llama3 --ollama-url http://localhost:11434
 
 ### Примеры
 
-Запуск всех бенчмарков:
+Запуск всех бенчмарков через скрипт:
 ```bash
-python src/main.py --model llama3 --ollama-url http://localhost:11434
+./run.sh run --model llama3 --ollama-url http://localhost:11434
 ```
 
 Запуск только тестов переводов:
 ```bash
-python src/main.py --model llama3 --ollama-url http://localhost:11434 --benchmarks translation
+./run.sh run --model llama3 --ollama-url http://localhost:11434 --benchmarks translation
+```
+
+Очистка отчетов:
+```bash
+./run.sh clean
 ```
 
 Запуск с подробным выводом:
 ```bash
-python src/main.py --model llama3 --ollama-url http://localhost:11434 --verbose
+./run.sh run --model llama3 --ollama-url http://localhost:11434 --verbose
 ```
 
 ## Структура проекта
@@ -84,3 +97,42 @@ ai-benchmark/
 ## Результаты
 
 После выполнения бенчмарков в директории `results/` будут сгенерированы файлы в формате Markdown с таблицами результатов. Каждый бенчмарк будет иметь свой отчет, а также будет создан сводный отчет со статистикой по всем тестам.
+
+## Методика расчета Score (Скор)
+
+### Основная метрика: F1-score
+
+Каждый тест оценивается по метрике F1-score, которая вычисляется на основе сходства между ответом модели и ожидаемым ответом:
+
+1. **Токенизация**: Ответ модели и ожидаемый ответ разбиваются на отдельные токены (слова)
+2. **Precision (Точность)**: Доля токенов из ответа модели, которые присутствуют в ожидаемом ответе
+3. **Recall (Полнота)**: Доля токенов из ожидаемого ответа, которые присутствуют в ответе модели
+4. **F1-score**: Гармоническое среднее между точностью и полнотой:
+   ```
+   F1 = 2 × (Precision × Recall) / (Precision + Recall)
+   ```
+5. **Диапазон**: 0.0 - 1.0, где 1.0 означает идеальное совпадение
+
+### Альтернативные метрики
+
+Для более детального анализа можно использовать следующие метрики:
+
+- **Levenshtein Distance / Edit Distance**: Количество редактирований (вставок, удалений, замен) для преобразования ответа модели в ожидаемый ответ. Полезно для оценки структурных различий.
+- **BLEU Score**: Популярная метрика для оценки качества машинного перевода, основанная на n-граммах. Подходит для задач переводов.
+- **ROUGE Score**: Метрика для оценки качества суммаризации, основанная на перекрытии n-грамм, слов и последовательностей. Подходит для задач пересказов.
+- **Code Similarity Metrics**: Для генерации кода можно использовать процент совпадения структуры кода (функции, классы, синтаксис), а также метрики типа AST (Abstract Syntax Tree) similarity.
+
+### Средний Score
+
+В отчетах вычисляется средний Score по всем успешно выполненным тестам в каждом бенчмарке. Этот показатель позволяет сравнить общую производительность модели по разным задачам.
+
+### Пример расчета F1-score
+
+Если модель ответила "hello world" на промпт, а ожидаемый ответ "hello there", расчет будет следующим:
+
+- Токены модели: {"hello", "world"}
+- Токены ожидаемого: {"hello", "there"}
+- Пересечение: {"hello"}
+- Precision = 1/2 = 0.5
+- Recall = 1/2 = 0.5
+- F1-score = 2 × (0.5 × 0.5) / (0.5 + 0.5) = 0.5