Ono je to mnohem složitější. Důvodů může být hodně. Když jsem se naposled věnoval benchmarkům, tak často stačilo upravit různé volby u samotného jádra OS (některé vyžadovali vlastní kompilaci jádra) a člověk dokázal dojít k výsledkům kde i virtualizovaný OS dosahoval lepších výsledků než základní jádro dané distribuce.
Další problém je v tom jaké přepínače se zvolí pro kompilaci daného programu. To občas dokáže úplně změnit výsledky benchmarku.
Občas je problém i v tom co na daném OS běží v době benchmarku, ale to předpokládám v tomto případě nebyl ten problém.
A v neposlední řadě je potřeba vzít v úvahu, že stále velká část programů je prostě optimalizována pro daný kompilátor.