Báo cáo đánh giá LLM
gpt-5
2025-10-01
2864.33
161
0.307856
3.84756
3.84756
gpt-5-mini
2025-10-01
2529.73
160
0.309437
3.88415
3.92073
gpt-5-nano
2025-10-01
1681.91
152
0.305554
3.82927
3.85366
gpt-4.1
2025-10-01
252.895
156
0.337819
3.89634
3.92073
claude-opus-4-1-20250805
2025-10-01
761.552
161
0.35051
3.87195
3.92683
claude-opus-4-20250514
2025-10-01
705.543
159
0.347384
3.86585
3.93293
claude-sonnet-4-5-20250929
2025-10-01
632.707
162
0.335302
3.95122
3.96341
claude-sonnet-4-20250514
2025-10-01
578.039
161
0.321841
3.90854
3.95732
gemini-2.5-pro
2025-10-01
3375.77
141
0.365963
3.82927
3.90244
gemini-2.5-flash
2025-10-01
1324.6
151
0.331303
3.84756
3.92683
Thời gian Phản hồi Tổng (s): Tổng thời gian mà mô hình mất để tạo ra tất cả các đầu ra.
Số bài kiểm tra đã vượt qua: Số lượng bài kiểm tra đơn vị mà mô hình đã vượt qua trong quá trình đánh giá, trong tổng số 164 bài kiểm tra.
Điểm CodeBLEU Trung bình: Điểm CodeBLEU trung bình, một chỉ số để đánh giá chất lượng tạo mã dựa trên cả tính chính xác cú pháp và ngữ nghĩa.
Điểm Sử dụng Trung bình: Điểm đánh giá trung bình về tính hữu ích của đầu ra của mô hình theo đánh giá của một mô hình LLM.
0: Đoạn mã hoàn toàn không hữu ích, không liên quan đến vấn đề.
1: Đoạn mã hơi hữu ích, nó chứa thông tin liên quan đến vấn đề, nhưng dễ dàng hơn để viết giải pháp từ đầu.
2: Đoạn mã có phần hữu ích, nó yêu cầu thay đổi đáng kể (so với kích thước của đoạn mã), nhưng vẫn hữu ích.
3: Đoạn mã hữu ích, nhưng cần thay đổi một chút để giải quyết vấn đề.
4: Đoạn mã rất hữu ích, nó giải quyết được vấn đề.
Điểm Đúng chức năng Trung bình: Điểm trung bình về tính đúng chức năng của các đầu ra của mô hình, đánh giá mức độ mà các đầu ra đáp ứng các yêu cầu chức năng, được đánh giá bởi một mô hình LLM.
0 (thất bại tất cả các bài kiểm tra có thể): Đoạn mã hoàn toàn sai và vô nghĩa.
4 (vượt qua tất cả các bài kiểm tra có thể): Đoạn mã hoàn toàn đúng và có thể xử lý tất cả các trường hợp.
Last updated