LLM Bewertungsbericht
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
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 einigermaßen 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, 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 bedeutungslos.
4 (alle möglichen Tests bestanden): Der Code-Snippet ist völlig korrekt und kann alle Fälle behandeln.
Last updated