Relatório de Avaliação de LLM
o1-preview
2025-01-27
2027.42
127
0.320922
3.56707
3.54878
o1-mini
2025-01-27
952.112
128
0.336334
3.67073
3.7378
gpt-4o
2025-01-27
282.331
123
0.316325
3.68902
3.70732
gpt-4o-mini
2025-01-27
239.001
117
0.336755
3.64634
3.68293
claude-3-5-sonnet-20240620
2025-01-27
261.768
112
0.296585
3.64024
3.59146
claude-3-5-sonnet-20241022
2025-01-27
278.856
110
0.325656
3.64634
3.68902
gemini-1.5-pro
2025-01-27
503.267
99
0.33299
3.51829
3.5061
gemini-1.5-flash
2025-01-27
768.339
1
0.26343
0.72561
0.835366
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 do 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 avaliada por um modelo LLM.
0: O trecho não é útil de forma alguma, 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