LLM 評価レポート

モデル	日付	総応答時間 (s)	合格したテスト	平均CodeBLEU (0-1)	平均有用性スコア (0-4)	平均機能的正確性スコア (0-4)
o1-preview	2024-12-21	2222.02	135	0.315387	3.60366	3.62195
o1-mini	2024-12-21	742.336	128	0.34076	3.70122	3.71341
gpt-4o	2024-12-21	328.26	124	0.321923	3.70732	3.68293
gpt-4o-mini	2024-12-21	209.742	122	0.335439	3.64024	3.63415
claude-3-5-sonnet-20240620	2024-12-21	295.78	117	0.299314	3.66463	3.63415
claude-3-5-sonnet-20241022	2024-12-21	263.51	114	0.330973	3.67073	3.62805
gemini-1.5-pro	2024-12-21	507.269	94	0.347441	3.45122	3.43293
gemini-1.5-flash	2024-12-21	768.506	1	0.263737	0.628049	0.835366

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: 評価中にモデルが合格した単体テストの数、合計164テスト中。

平均 CodeBLEU: コード生成の品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く平均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、解決策をゼロから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。