Rapport d'évaluation LLM
o1-preview
2025-02-20
2451.03
131
0.314639
3.61585
3.64634
o1-mini
2025-02-20
928.39
129
0.335718
3.68293
3.80488
gpt-4o
2025-02-20
289.807
128
0.313906
3.66463
3.69512
gpt-4o-mini
2025-02-20
221.797
123
0.334122
3.69512
3.78659
claude-3-5-sonnet-20240620
2025-02-20
263.726
110
0.295577
3.66463
3.60976
claude-3-5-sonnet-20241022
2025-02-20
475.506
111
0.320836
3.67683
3.69512
gemini-1.5-pro
2025-02-20
503.725
99
0.335552
3.47561
3.52439
gemini-1.5-flash
2025-02-20
764.748
2
0.259287
0.792683
1.2378
Temps de réponse total (s) : Le temps total pris par le modèle pour générer toutes les sorties.
Tests réussis : Le nombre de tests unitaires que le modèle a réussis lors de l'évaluation, sur un total de 164 tests.
Score moyen CodeBLEU : Score CodeBLEU moyen, une métrique pour évaluer la qualité de génération de code basée sur la correction syntaxique et sémantique.
Score moyen d'utilité : Évaluation moyenne de l'utilité des sorties du modèle, notée par un modèle LLM.
0 : L'extrait n'est pas du tout utile, il est hors sujet par rapport au problème.
1 : L'extrait est légèrement utile, il contient des informations pertinentes pour le problème, mais il est plus facile d'écrire la solution de zéro.
2 : L'extrait est quelque peu utile, il nécessite des modifications significatives (par rapport à la taille de l'extrait), mais reste utile.
3 : L'extrait est utile, mais doit être légèrement modifié pour résoudre le problème.
4 : L'extrait est très utile, il résout le problème.
Score moyen de correction fonctionnelle : Score moyen de la correction fonctionnelle des sorties du modèle, évaluant dans quelle mesure les sorties répondent aux exigences fonctionnelles, notées par un modèle LLM.
0 (échec de tous les tests possibles) : L'extrait de code est totalement incorrect et dénué de sens.
4 (réussite de tous les tests possibles) : L'extrait de code est totalement correct et peut gérer tous les cas.
Dernière mise à jour