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

2025-01-28

2243.46

138

0.326023

3.64024

3.62805

o1-mini

2025-01-28

926.343

132

0.343662

3.73171

3.76829

gpt-4o

2025-01-28

285.991

131

0.32075

3.72561

3.70122

gpt-4o-mini

2025-01-28

227.033

124

0.33792

3.68902

3.70122

claude-3-5-sonnet-20240620

2025-01-28

284.383

110

0.296305

3.67683

3.63415

claude-3-5-sonnet-20241022

2025-01-28

303.562

113

0.324985

3.67683

3.64024

gemini-1.5-pro

2025-01-28

510.311

96

0.340366

3.42683

3.45732

gemini-1.5-flash

2025-01-28

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 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