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-5.4 | 2026-03-18 | 371.302 | 151 | 0.30016 | 3.85976 | 3.88415 |
| gpt-5 | 2026-03-18 | 3307.15 | 160 | 0.312013 | 3.71951 | 3.82927 |
| gpt-5-mini | 2026-03-18 | 2223.12 | 161 | 0.305418 | 3.79268 | 3.93293 |
| claude-opus-4-6 | 2026-03-18 | 630.643 | 164 | 0.38829 | 3.87195 | 3.90854 |
| claude-sonnet-4-6 | 2026-03-18 | 604.89 | 161 | 0.379059 | 3.85366 | 3.90854 |
| claude-opus-4-1 | 2026-03-18 | 635.166 | 157 | 0.349491 | 3.85366 | 3.92683 |
| claude-sonnet-4-5 | 2026-03-18 | 546.74 | 162 | 0.331766 | 3.89024 | 3.95732 |
| claude-haiku-4-5 | 2026-03-18 | 280.497 | 154 | 0.317284 | 3.84756 | 3.92073 |
| gemini-3.1-pro-preview | 2026-03-18 | 3339.78 | 162 | 0.395161 | 3.73171 | 3.82317 |
| gemini-3.1-flash-lite-preview | 2026-03-18 | 176.493 | 148 | 0.370935 | 3.77439 | 3.87805 |
| gemini-3-flash-preview | 2026-03-18 | 2146.97 | 142 | 0.395257 | 3.59146 | 3.60366 |
| gemini-2.5-pro | 2026-03-18 | 2788.94 | 118 | 0.373488 | 3.2561 | 3.38415 |
| gemini-2.5-flash | 2026-03-18 | 952.543 | 148 | 0.338621 | 3.7439 | 3.83537 |
إجمالي وقت الاستجابة (ث): الوقت الإجمالي الذي استغرقه النموذج لتوليد جميع المخرجات.
الاختبارات الناجحة: عدد اختبارات الوحدة التي اجتازها النموذج خلال 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 وبدون معنى.
- 4 (ينجح في جميع الاختبارات الممكنة): المقتطف البرمجي صحيح تمامًا ويمكنه التعامل مع جميع الحالات.