LLM 평가 보고서

모델
날짜
총 응답 시간 (초)
통과한 테스트 수
평균 CodeBLEU (0-1)
평균 유용성 점수 (0-4)
평균 기능적 정확성 점수 (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

총 응답 시간 (초): 모델이 모든 출력을 생성하는 데 걸린 총 시간입니다.

통과한 테스트 수: 평가 중 모델이 통과한 단위 테스트 수, 총 164개의 테스트 중.

평균 CodeBLEU: 구문적 및 의미적 정확성을 기반으로 코드 생성 품질을 평가하는 메트릭인 평균 CodeBLEU 점수입니다.

평균 유용성 점수: LLM 모델에 의해 평가된 모델 출력의 유용성 평균 점수입니다.

  • 0: 스니펫이 전혀 도움이 되지 않으며 문제와 관련이 없습니다.

  • 1: 스니펫이 약간 도움이 되며 문제와 관련된 정보를 포함하지만, 처음부터 해결책을 작성하는 것이 더 쉽습니다.

  • 2: 스니펫이 다소 도움이 되며, 상당한 변경이 필요하지만 여전히 유용합니다.

  • 3: 스니펫이 도움이 되지만 문제를 해결하기 위해 약간의 변경이 필요합니다.

  • 4: 스니펫이 매우 유용하며 문제를 해결합니다.

평균 기능적 정확성 점수: LLM 모델에 의해 평가된 모델 출력의 기능적 정확성 평균 점수로, 출력이 기능적 요구 사항을 얼마나 잘 충족하는지를 평가합니다.

  • 0 (모든 가능한 테스트 실패): 코드 스니펫이 완전히 잘못되었고 의미가 없습니다.

  • 4 (모든 가능한 테스트 통과): 코드 스니펫이 완전히 정확하며 모든 경우를 처리할 수 있습니다.

Last updated