LLM 評価レポート
o1-preview
2025-01-15
2213.28
129
0.305895
3.56098
3.57927
o1-mini
2025-01-15
790.194
129
0.338704
3.67683
3.69512
gpt-4o
2025-01-15
300.15
130
0.311417
3.7378
3.7439
gpt-4o-mini
2025-01-15
220.352
120
0.33288
3.62805
3.67073
claude-3-5-sonnet-20240620
2025-01-15
244.007
109
0.302715
3.61585
3.63415
claude-3-5-sonnet-20241022
2025-01-15
259.896
117
0.315649
3.71341
3.70122
gemini-1.5-pro
2025-01-15
506.304
105
0.333731
3.43293
3.42073
gemini-1.5-flash
2025-01-15
772.863
0
0.271533
0.658537
0.804878
総応答時間 (s): モデルがすべての出力を生成するのにかかった総時間。
合格したテスト数: 評価中にモデルが合格したユニットテストの数、合計164テスト中。
平均 CodeBLEU: コード生成の質を評価するための指標で、構文的および意味的正確性に基づいた平均 CodeBLEU スコア。
平均 有用性スコア: LLM モデルによって評価されたモデルの出力の有用性の平均評価。
0: スニペットは全く役に立たず、問題に無関係である。
1: スニペットはわずかに役に立ち、問題に関連する情報を含むが、ゼロから解決策を書く方が簡単である。
2: スニペットはやや役に立ち、かなりの変更が必要だが(スニペットのサイズに比べて)、それでも有用である。
3: スニペットは役に立つが、問題を解決するためにわずかに変更が必要である。
4: スニペットは非常に役に立ち、問題を解決する。
平均 機能的正確性スコア: モデルの出力の機能的正確性の平均スコアで、出力が機能要件をどれだけ満たしているかを評価し、LLM モデルによって評価される。
0 (すべての可能なテストに失敗): コードスニペットは完全に不正確で無意味である。
4 (すべての可能なテストに合格): コードスニペットは完全に正確で、すべてのケースに対応できる。
最終更新