LLM 评估报告

模型	日期	总响应时间 (s)	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)
o1-preview	2024-12-21	2222.02	135	0.315387	3.60366	3.62195
o1-mini	2024-12-21	742.336	128	0.34076	3.70122	3.71341
gpt-4o	2024-12-21	328.26	124	0.321923	3.70732	3.68293
gpt-4o-mini	2024-12-21	209.742	122	0.335439	3.64024	3.63415
claude-3-5-sonnet-20240620	2024-12-21	295.78	117	0.299314	3.66463	3.63415
claude-3-5-sonnet-20241022	2024-12-21	263.51	114	0.330973	3.67073	3.62805
gemini-1.5-pro	2024-12-21	507.269	94	0.347441	3.45122	3.43293
gemini-1.5-flash	2024-12-21	768.506	1	0.263737	0.628049	0.835366

总响应时间 (s): 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，但从头编写解决方案更容易。

• 2: 片段有些帮助，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，但需要稍微修改以解决问题。

• 4: 片段非常有帮助，解决了问题。

平均 功能正确性评分: 模型输出的功能正确性的平均评分，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): 代码片段完全错误且毫无意义。

• 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。