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	2025-02-21	2688.52	126	0.312426	3.57317	3.60976
o1-mini	2025-02-21	999.934	128	0.353161	3.68293	3.7439
gpt-4o	2025-02-21	211.039	124	0.315859	3.67073	3.75
gpt-4o-mini	2025-02-21	228.654	118	0.33717	3.63415	3.68293
claude-3-5-sonnet-20240620	2025-02-21	279.791	110	0.302947	3.68902	3.70732
claude-3-5-sonnet-20241022	2025-02-21	578.256	111	0.325341	3.64634	3.63415
gemini-1.5-pro	2025-02-21	563.298	100	0.329829	3.48171	4.07317
gemini-1.5-flash	2025-02-21	772.702	0	0.264112	0.780488	1.2561

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、問題に関連性がない。

• 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。