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	2025-03-08	2231.49	134	0.31907	3.59756	3.66463
o1-mini	2025-03-08	874.814	129	0.331548	3.69512	3.78659
gpt-4o	2025-03-08	274.532	125	0.308266	3.69512	3.70122
gpt-4o-mini	2025-03-08	205.396	116	0.339257	3.64024	3.68902
claude-3-5-sonnet-20240620	2025-03-08	254.301	113	0.293831	3.62195	3.59146
claude-3-5-sonnet-20241022	2025-03-08	344.834	112	0.318066	3.65244	3.66463
gemini-1.5-pro	2025-03-08	502.643	96	0.329622	3.46951	4.07317
gemini-1.5-flash	2025-03-08	757.669	1	0.271142	0.841463	1.08537

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 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.