LLM-Evaluierungsbericht

Modell
Datum
Gesamte Antwortzeit (s)
Bestehende Tests
Durchschnittlicher CodeBLEU (0-1)
Durchschnittlicher Nützlichkeitswert (0-4)
Durchschnittlicher funktionaler Korrektheitswert (0-4)

o1-preview

2025-02-06

2460.71

130

0.300355

3.62195

3.64634

o1-mini

2025-02-06

1169.48

123

0.33154

3.68902

3.67683

gpt-4o

2025-02-06

413.287

122

0.312401

3.70122

3.67683

gpt-4o-mini

2025-02-06

245.404

119

0.333494

3.65244

3.71951

claude-3-5-sonnet-20240620

2025-02-06

335.54

113

0.300797

3.65244

3.66463

claude-3-5-sonnet-20241022

2025-02-06

374.136

117

0.333618

3.72561

3.70732

gemini-1.5-pro

2025-02-06

500.452

107

0.325038

3.4878

3.5061

gemini-1.5-flash

2025-02-06

768.339

1

0.26343

0.72561

0.835366

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, ein Maß zur Bewertung der Qualität der Codegenerierung basierend auf syntaktischer und semantischer Korrektheit.

Durchschnittlicher Nützlichkeitswert: Durchschnittliche Bewertung der Nützlichkeit der Ausgaben des Modells, bewertet von einem 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 von einem 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