LLM Bewertungsbericht

Modell	Datum	Gesamte Antwortzeit (s)	Bestehende Tests	Durchschnittlicher CodeBLEU (0-1)	Durchschnittlicher Nützlichkeitswert (0-4)	Durchschnittlicher funktionaler Korrektheitswert (0-4)
gpt-5	2025-10-01	2864.33	161	0.307856	3.84756	3.84756
gpt-5-mini	2025-10-01	2529.73	160	0.309437	3.88415	3.92073
gpt-5-nano	2025-10-01	1681.91	152	0.305554	3.82927	3.85366
gpt-4.1	2025-10-01	252.895	156	0.337819	3.89634	3.92073
claude-opus-4-1-20250805	2025-10-01	761.552	161	0.35051	3.87195	3.92683
claude-opus-4-20250514	2025-10-01	705.543	159	0.347384	3.86585	3.93293
claude-sonnet-4-5-20250929	2025-10-01	632.707	162	0.335302	3.95122	3.96341
claude-sonnet-4-20250514	2025-10-01	578.039	161	0.321841	3.90854	3.95732
gemini-2.5-pro	2025-10-01	3375.77	141	0.365963	3.82927	3.90244
gemini-2.5-flash	2025-10-01	1324.6	151	0.331303	3.84756	3.92683

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 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 einigermaßen hilfreich, es erfordert erhebliche Änderungen (im Vergleich zur Größe des Snippets), ist aber dennoch nützlich.

• 3: Snippet ist hilfreich, muss jedoch 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.