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-4o-mini	2024-10-15	288.593	113	0.336386	3.65854	3.62805
gemini-1.5-pro	2024-10-15	691.622	104	0.342204	3.47561	3.40854
claude-3-5-sonnet-20240620	2024-10-15	369.063	113	0.303837	3.67683	3.59146
gpt-4o	2024-10-15	323.43	127	0.319079	3.73171	3.60976
claude-3-opus-20240229	2024-10-15	1069.89	107	0.307076	3.68902	3.60976

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

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

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

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

• 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(스니펫 크기에 비해) 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 무의미합니다.

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