LLM 評価レポート

モデル	日付	総応答時間 (s)	合格したテスト数	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	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。