LLM 评估报告

模型
日期
总响应时间 (秒)
通过的测试
平均 CodeBLEU (0-1)
平均有用性评分 (0-4)
平均功能正确性评分 (0-4)

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

总响应时间 (秒): 模型生成所有输出所花费的总时间。

通过的测试: 模型在评估期间通过的单元测试数量,总共164个测试。

平均 CodeBLEU 平均 CodeBLEU 分数,是评估代码生成质量的指标,基于语法和语义的正确性。

平均 有用性评分 模型输出的有用性平均评分,由 LLM 模型评定。

  • 0: 片段完全没有帮助,与问题无关。

  • 1: 片段稍微有帮助,包含与问题相关的信息,但从头开始编写解决方案更容易。

  • 2: 片段有点有帮助,需要进行重大更改(与片段的大小相比),但仍然有用。

  • 3: 片段有帮助,但需要稍微修改才能解决问题。

  • 4: 片段非常有帮助,能够解决问题。

平均 功能正确性评分 模型输出的功能正确性平均评分,评估输出满足功能要求的程度,由 LLM 模型评定。

  • 0(未通过所有可能的测试): 代码片段完全不正确且毫无意义。

  • 4(通过所有可能的测试): 代码片段完全正确,能够处理所有情况。

Last updated