LLM 评估报告
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