LLM 평가 보고서
claude-opus-4-20250514
2025-05-27
682.341
45
0.373498
3.68902
3.71951
claude-sonnet-4-20250514
2025-05-27
685.546
112
0.317174
3.7378
3.65854
claude-3-7-sonnet-20250219
2025-05-27
746.497
108
0.319258
3.65244
3.65244
claude-3-5-sonnet-20241022
2025-05-27
445.549
114
0.332094
3.65244
3.72561
gpt-4.1
2025-05-27
340.45
114
0.345565
3.71951
3.79878
o4-mini
2025-05-27
1380.26
128
0.322408
3.70122
3.7439
o3
2025-05-27
1592.45
141
0.314449
3.71341
3.85366
gpt-4o
2025-05-27
254.478
123
0.305002
3.70732
3.7378
gemini_gemini-2.0-flash
2025-05-27
428.324
102
0.304022
3.65244
3.60976
gemini_gemini-2.5-pro-preview-05-06
2025-05-27
1317.42
71
0.319577
2.45732
2.67683
gemini_gemini-2.5-flash-preview-05-20
2025-05-27
1042.03
108
0.32728
3.39024
3.46341
총 응답 시간 (초): 모델이 모든 출력을 생성하는 데 소요된 총 시간.
통과한 테스트 수: 평가 중 모델이 통과한 단위 테스트의 수, 총 164개의 테스트 중.
평균 CodeBLEU: 구문적 및 의미적 정확성을 기반으로 코드 생성 품질을 평가하는 지표인 평균 CodeBLEU 점수.
평균 유용성 점수: LLM 모델에 의해 평가된 모델 출력의 유용성 평균 등급.
0: 스니펫이 전혀 도움이 되지 않으며 문제와 관련이 없습니다.
1: 스니펫이 약간 도움이 되며 문제와 관련된 정보를 포함하고 있지만, 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