Central A2UI evaluation harness

Central A2UI evaluation harness and data points covering top use cases and models, to allow us to make further data-driven optimizations. See [A2UI Inference Performance Project Scope](https://docs.google.com/document/d/1BDILK5Wktik1Pce_pjPBdRoVTWWJQSx9y7gJvObwy4c/edit?tab=t.0) (internal Google document)

El issue hace referencia a un documento interno de Google para el alcance, que no es accesible. Sin el documento, se desconocen los requisitos específicos, los puntos de entrada o el código de evaluación existente. Un newcomer tendría que entender la arquitectura del proyecto A2UI, las pipelines de inference existentes, y definir qué métricas y modelos evaluar. Empieza buscando scripts de evaluación o benchmarks existentes en el repositorio.

Escrito por el modelo de indexación a partir del texto del issue.