تقرير تقييم LLM
o1-preview
2025-02-21
2688.52
126
0.312426
3.57317
3.60976
o1-mini
2025-02-21
999.934
128
0.353161
3.68293
3.7439
gpt-4o
2025-02-21
211.039
124
0.315859
3.67073
3.75
gpt-4o-mini
2025-02-21
228.654
118
0.33717
3.63415
3.68293
claude-3-5-sonnet-20240620
2025-02-21
279.791
110
0.302947
3.68902
3.70732
claude-3-5-sonnet-20241022
2025-02-21
578.256
111
0.325341
3.64634
3.63415
gemini-1.5-pro
2025-02-21
563.298
100
0.329829
3.48171
4.07317
gemini-1.5-flash
2025-02-21
772.702
0
0.264112
0.780488
1.2561
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 الكود بناءً على كل من الصحة النحوية والدلالية.
متوسط درجة الفائدة: متوسط تقييم فائدة مخرجات النموذج كما تم تقييمه 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 ولا معنى له.
4 (ينجح في جميع الاختبارات الممكنة): المقتطف البرمجي صحيح تمامًا ويمكنه التعامل مع جميع الحالات.
Last updated