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	2024-11-21	2208.03	132	0.321908	3.60976	3.64024
o1-mini	2024-11-21	718.012	134	0.322883	3.65244	3.7561
gpt-4o	2024-11-21	321.525	125	0.316051	3.70732	3.7439
gpt-4o-mini	2024-11-21	191.192	114	0.339313	3.62805	3.69512
claude-3-5-sonnet-20240620	2024-11-21	335.662	113	0.303122	3.60366	3.62195
claude-3-5-sonnet-20241022	2024-11-21	351.938	110	0.321726	3.67073	3.67683
gemini-1.5-pro	2024-11-21	528.459	106	0.340196	3.43293	3.5061
gemini-1.5-flash	2024-11-21	759.693	2	0.270065	0.670732	0.829268

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、問題に関連していない。

• 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。

• 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）、まだ有用である。

• 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。

• 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。