Relatório de Avaliação de LLM
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.
Last updated