LLM Evaluierungsbericht¶
| Modell | Datum | Gesamte Antwortzeit (s) | Bestehende Tests | Durchschnittlicher CodeBLEU (0-1) | Durchschnittlicher Nützlichkeitswert (0-4) | Durchschnittlicher funktionaler Korrektheitswert (0-4) |
|---|---|---|---|---|---|---|
| gpt-5.4 | 2026-03-18 | 371.302 | 151 | 0.30016 | 3.85976 | 3.88415 |
| gpt-5 | 2026-03-18 | 3307.15 | 160 | 0.312013 | 3.71951 | 3.82927 |
| gpt-5-mini | 2026-03-18 | 2223.12 | 161 | 0.305418 | 3.79268 | 3.93293 |
| claude-opus-4-6 | 2026-03-18 | 630.643 | 164 | 0.38829 | 3.87195 | 3.90854 |
| claude-sonnet-4-6 | 2026-03-18 | 604.89 | 161 | 0.379059 | 3.85366 | 3.90854 |
| claude-opus-4-1 | 2026-03-18 | 635.166 | 157 | 0.349491 | 3.85366 | 3.92683 |
| claude-sonnet-4-5 | 2026-03-18 | 546.74 | 162 | 0.331766 | 3.89024 | 3.95732 |
| claude-haiku-4-5 | 2026-03-18 | 280.497 | 154 | 0.317284 | 3.84756 | 3.92073 |
| gemini-3.1-pro-preview | 2026-03-18 | 3339.78 | 162 | 0.395161 | 3.73171 | 3.82317 |
| gemini-3.1-flash-lite-preview | 2026-03-18 | 176.493 | 148 | 0.370935 | 3.77439 | 3.87805 |
| gemini-3-flash-preview | 2026-03-18 | 2146.97 | 142 | 0.395257 | 3.59146 | 3.60366 |
| gemini-2.5-pro | 2026-03-18 | 2788.94 | 118 | 0.373488 | 3.2561 | 3.38415 |
| gemini-2.5-flash | 2026-03-18 | 952.543 | 148 | 0.338621 | 3.7439 | 3.83537 |
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 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 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.