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-5.4 | 2026-03-18 | 371.302 | 151 | 0.30016 | 3.85976 | 3.88415 |
| gpt-5 | 2026-03-18 | 3307.15 | 160 | 0.312013 | 3.71951 | 3.82927 |
| gpt-5-mini | 2026-03-18 | 2223.12 | 161 | 0.305418 | 3.79268 | 3.93293 |
| claude-opus-4-6 | 2026-03-18 | 630.643 | 164 | 0.38829 | 3.87195 | 3.90854 |
| claude-sonnet-4-6 | 2026-03-18 | 604.89 | 161 | 0.379059 | 3.85366 | 3.90854 |
| claude-opus-4-1 | 2026-03-18 | 635.166 | 157 | 0.349491 | 3.85366 | 3.92683 |
| claude-sonnet-4-5 | 2026-03-18 | 546.74 | 162 | 0.331766 | 3.89024 | 3.95732 |
| claude-haiku-4-5 | 2026-03-18 | 280.497 | 154 | 0.317284 | 3.84756 | 3.92073 |
| gemini-3.1-pro-preview | 2026-03-18 | 3339.78 | 162 | 0.395161 | 3.73171 | 3.82317 |
| gemini-3.1-flash-lite-preview | 2026-03-18 | 176.493 | 148 | 0.370935 | 3.77439 | 3.87805 |
| gemini-3-flash-preview | 2026-03-18 | 2146.97 | 142 | 0.395257 | 3.59146 | 3.60366 |
| gemini-2.5-pro | 2026-03-18 | 2788.94 | 118 | 0.373488 | 3.2561 | 3.38415 |
| gemini-2.5-flash | 2026-03-18 | 952.543 | 148 | 0.338621 | 3.7439 | 3.83537 |
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、（スニペットのサイズに比べて）大幅な変更が必要だが、依然として有用である。
- 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。