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)
gpt-4o-mini	2024-10-18	180.098	113	0.331988	3.66463	3.65854
gemini-1.5-pro	2024-10-18	533.694	104	0.338663	3.55488	3.59756
claude-3-5-sonnet-20240620	2024-10-18	339.244	112	0.300819	3.68293	3.65854
gpt-4o	2024-10-18	201.997	128	0.314057	3.75	3.71951
o1-mini	2024-10-18	773.989	130	0.335063	3.71951	3.71951
o1-preview	2024-10-18	2207.5	127	0.322271	3.60366	3.60976
claude-3-opus-20240229	2024-10-18	1056.03	114	0.322514	3.7439	3.67683

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）、依然として有用である。

• 3: スニペットは役に立ち、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。