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)

claude-opus-4-20250514

2025-05-27

682.341

45

0.373498

3.68902

3.71951

claude-sonnet-4-20250514

2025-05-27

685.546

112

0.317174

3.7378

3.65854

claude-3-7-sonnet-20250219

2025-05-27

746.497

108

0.319258

3.65244

3.65244

claude-3-5-sonnet-20241022

2025-05-27

445.549

114

0.332094

3.65244

3.72561

gpt-4.1

2025-05-27

340.45

114

0.345565

3.71951

3.79878

o4-mini

2025-05-27

1380.26

128

0.322408

3.70122

3.7439

o3

2025-05-27

1592.45

141

0.314449

3.71341

3.85366

gpt-4o

2025-05-27

254.478

123

0.305002

3.70732

3.7378

gemini_gemini-2.0-flash

2025-05-27

428.324

102

0.304022

3.65244

3.60976

gemini_gemini-2.5-pro-preview-05-06

2025-05-27

1317.42

71

0.319577

2.45732

2.67683

gemini_gemini-2.5-flash-preview-05-20

2025-05-27

1042.03

108

0.32728

3.39024

3.46341

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 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