Relatório de Avaliação de LLM

Modelo
Data
Tempo Total de Resposta (s)
Testes Aprovados
Média CodeBLEU (0-1)
Média de Pontuação de Utilidade (0-4)
Média de Pontuação de Correção Funcional (0-4)

o1-preview

2025-01-21

2379.88

131

0.317852

3.62805

3.62805

o1-mini

2025-01-21

933.915

128

0.326939

3.68293

3.77439

gpt-4o

2025-01-21

317.122

121

0.321377

3.75

3.7622

gpt-4o-mini

2025-01-21

309.799

117

0.338521

3.68902

3.75

claude-3-5-sonnet-20240620

2025-01-21

244.255

111

0.298804

3.62805

3.65244

claude-3-5-sonnet-20241022

2025-01-21

254.239

115

0.312278

3.70732

3.66463

gemini-1.5-pro

2025-01-21

507.246

101

0.335308

3.48171

3.47561

gemini-1.5-flash

2025-01-21

764.864

2

0.267744

0.689024

0.914634

Tempo Total de Resposta (s): O tempo total levado pelo modelo para gerar todas as saídas.

Testes aprovados: O número de testes unitários que o modelo passou durante a avaliação, de um total de 164 testes.

Média CodeBLEU: Pontuação média de CodeBLEU, uma métrica para avaliar a qualidade da geração de código com base na correção sintática e semântica.

Média Pontuação de Utilidade: Avaliação média da utilidade da saída do modelo, conforme avaliado por um modelo LLM.

  • 0: O trecho não é útil, é irrelevante para o problema.

  • 1: O trecho é ligeiramente útil, contém informações relevantes para o problema, mas é mais fácil escrever a solução do zero.

  • 2: O trecho é um pouco útil, requer mudanças significativas (comparado ao tamanho do trecho), mas ainda é útil.

  • 3: O trecho é útil, mas precisa ser ligeiramente alterado para resolver o problema.

  • 4: O trecho é muito útil, resolve o problema.

Média Pontuação de Correção Funcional: Pontuação média da correção funcional das saídas do modelo, avaliando quão bem as saídas atendem aos requisitos funcionais, avaliadas por um modelo LLM.

  • 0 (falhando todos os testes possíveis): O trecho de código é totalmente incorreto e sem sentido.

  • 4 (passando todos os testes possíveis): O trecho de código é totalmente correto e pode lidar com todos os casos.

Last updated