LLM-Evaluierungsbericht
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