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)
o1-preview	2025-01-21	2379.88	131	0.317852	3.62805	3.62805
o1-mini	2025-01-21	933.915	128	0.326939	3.68293	3.77439
gpt-4o	2025-01-21	317.122	121	0.321377	3.75	3.7622
gpt-4o-mini	2025-01-21	309.799	117	0.338521	3.68902	3.75
claude-3-5-sonnet-20240620	2025-01-21	244.255	111	0.298804	3.62805	3.65244
claude-3-5-sonnet-20241022	2025-01-21	254.239	115	0.312278	3.70732	3.66463
gemini-1.5-pro	2025-01-21	507.246	101	0.335308	3.48171	3.47561
gemini-1.5-flash	2025-01-21	764.864	2	0.267744	0.689024	0.914634

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 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 ولا معنى له.

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