تقرير تقييم LLM

النموذج	التاريخ	إجمالي وقت الاستجابة (ث)	الاختبارات الناجحة	متوسط CodeBLEU (0-1)	متوسط درجة الفائدة (0-4)	متوسط درجة الصحة الوظيفية (0-4)
gpt-5	2025-10-01	2864.33	161	0.307856	3.84756	3.84756
gpt-5-mini	2025-10-01	2529.73	160	0.309437	3.88415	3.92073
gpt-5-nano	2025-10-01	1681.91	152	0.305554	3.82927	3.85366
gpt-4.1	2025-10-01	252.895	156	0.337819	3.89634	3.92073
claude-opus-4-1-20250805	2025-10-01	761.552	161	0.35051	3.87195	3.92683
claude-opus-4-20250514	2025-10-01	705.543	159	0.347384	3.86585	3.93293
claude-sonnet-4-5-20250929	2025-10-01	632.707	162	0.335302	3.95122	3.96341
claude-sonnet-4-20250514	2025-10-01	578.039	161	0.321841	3.90854	3.95732
gemini-2.5-pro	2025-10-01	3375.77	141	0.365963	3.82927	3.90244
gemini-2.5-flash	2025-10-01	1324.6	151	0.331303	3.84756	3.92683

إجمالي وقت الاستجابة (ث): الوقت الإجمالي الذي استغرقه النموذج لتوليد جميع المخرجات.

الاختبارات الناجحة: عدد اختبارات الوحدة التي اجتازها النموذج أثناء التقييم، من إجمالي 164 اختبارًا.

متوسط CodeBLEU: متوسط درجة CodeBLEU، وهو مقياس لتقييم جودة توليد الشيفرة بناءً على كل من الصحة النحوية والدلالية.

متوسط درجة الفائدة: متوسط تقييم فائدة مخرجات النموذج كما تم تقييمها بواسطة نموذج LLM.

• 0: المقتطف غير مفيد على الإطلاق، فهو غير ذي صلة بالمشكلة.

• 1: المقتطف مفيد قليلاً، يحتوي على معلومات ذات صلة بالمشكلة، ولكن من الأسهل كتابة الحل من الصفر.

• 2: المقتطف مفيد إلى حد ما، يتطلب تغييرات كبيرة (مقارنة بحجم المقتطف)، ولكنه لا يزال مفيدًا.

• 3: المقتطف مفيد، ولكنه يحتاج إلى تغييرات طفيفة لحل المشكلة.

• 4: المقتطف مفيد جدًا، فهو يحل المشكلة.

متوسط درجة الصحة الوظيفية: متوسط درجة الصحة الوظيفية لمخرجات النموذج، يقيم مدى توافق المخرجات مع المتطلبات الوظيفية، كما تم تقييمه بواسطة نموذج LLM.

• 0 (يفشل في جميع الاختبارات الممكنة): المقتطف البرمجي غير صحيح تمامًا وبدون معنى.

• 4 (ينجح في جميع الاختبارات الممكنة): المقتطف البرمجي صحيح تمامًا ويمكنه التعامل مع جميع الحالات.