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)
gpt-5	2025-10-01	2864.33	161	0.307856	3.84756	3.84756
gpt-5-mini	2025-10-01	2529.73	160	0.309437	3.88415	3.92073
gpt-5-nano	2025-10-01	1681.91	152	0.305554	3.82927	3.85366
gpt-4.1	2025-10-01	252.895	156	0.337819	3.89634	3.92073
claude-opus-4-1-20250805	2025-10-01	761.552	161	0.35051	3.87195	3.92683
claude-opus-4-20250514	2025-10-01	705.543	159	0.347384	3.86585	3.93293
claude-sonnet-4-5-20250929	2025-10-01	632.707	162	0.335302	3.95122	3.96341
claude-sonnet-4-20250514	2025-10-01	578.039	161	0.321841	3.90854	3.95732
gemini-2.5-pro	2025-10-01	3375.77	141	0.365963	3.82927	3.90244
gemini-2.5-flash	2025-10-01	1324.6	151	0.331303	3.84756	3.92683

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んでいるが、ゼロから解決策を書く方が簡単である。

• 2: スニペットはある程度役に立ち、大幅な変更が必要だが（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。