LLM-Evaluierungsbericht
o1-vorschau
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-sonett-20240620
2025-01-21
244.255
111
0.298804
3.62805
3.65244
claude-3-5-sonett-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-blitz
2025-01-21
764.864
2
0.267744
0.689024
0.914634
Gesamte Antwortzeit (s): Die gesamte Zeit, die das Modell benötigt hat, um alle Ausgaben zu generieren.
Bestehende Tests: Die Anzahl der Unit-Tests, die das Modell während der Bewertung bestanden hat, von insgesamt 164 Tests.
Durchschnittlicher CodeBLEU: Durchschnittlicher CodeBLEU-Wert, eine Metrik zur Bewertung der Qualität der Codegenerierung basierend auf syntaktischer und semantischer Korrektheit.
Durchschnittlicher Nützlichkeitswert: Durchschnittliche Bewertung der Nützlichkeit der Ausgaben des Modells, bewertet durch ein LLM-Modell.
0: Snippet ist überhaupt nicht hilfreich, es ist irrelevant für das Problem.
1: Snippet ist leicht hilfreich, es enthält Informationen, die für das Problem relevant sind, aber es ist einfacher, die Lösung von Grund auf neu zu schreiben.
2: Snippet ist etwas hilfreich, es erfordert erhebliche Änderungen (im Vergleich zur Größe des Snippets), ist aber dennoch nützlich.
3: Snippet ist hilfreich, muss aber leicht geändert werden, um das Problem zu lösen.
4: Snippet ist sehr hilfreich, es löst das Problem.
Durchschnittlicher funktionaler Korrektheitswert: Durchschnittlicher Wert der funktionalen Korrektheit der Ausgaben des Modells, der bewertet, wie gut die Ausgaben die funktionalen Anforderungen erfüllen, bewertet durch ein LLM-Modell.
0 (alle möglichen Tests nicht bestanden): Der Code-Snippet ist völlig falsch und sinnlos.
4 (alle möglichen Tests bestanden): Der Code-Snippet ist völlig korrekt und kann alle Fälle behandeln.
Last updated