Relatório de Avaliação 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)
gpt-4o-mini	2024-10-15	288.593	113	0.336386	3.65854	3.62805
gemini-1.5-pro	2024-10-15	691.622	104	0.342204	3.47561	3.40854
claude-3-5-sonnet-20240620	2024-10-15	369.063	113	0.303837	3.67683	3.59146
gpt-4o	2024-10-15	323.43	127	0.319079	3.73171	3.60976
claude-3-opus-20240229	2024-10-15	1069.89	107	0.307076	3.68902	3.60976

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 das saídas 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 tanto 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.