LLM 評估報告

模型
日期
總回應時間 (秒)
通過測試數
平均 CodeBLEU (0-1)
平均有用性評分 (0-4)
平均功能正確性評分 (0-4)

claude-opus-4-20250514

2025-05-27

682.341

45

0.373498

3.68902

3.71951

claude-sonnet-4-20250514

2025-05-27

685.546

112

0.317174

3.7378

3.65854

claude-3-7-sonnet-20250219

2025-05-27

746.497

108

0.319258

3.65244

3.65244

claude-3-5-sonnet-20241022

2025-05-27

445.549

114

0.332094

3.65244

3.72561

gpt-4.1

2025-05-27

340.45

114

0.345565

3.71951

3.79878

o4-mini

2025-05-27

1380.26

128

0.322408

3.70122

3.7439

o3

2025-05-27

1592.45

141

0.314449

3.71341

3.85366

gpt-4o

2025-05-27

254.478

123

0.305002

3.70732

3.7378

gemini_gemini-2.0-flash

2025-05-27

428.324

102

0.304022

3.65244

3.60976

gemini_gemini-2.5-pro-preview-05-06

2025-05-27

1317.42

71

0.319577

2.45732

2.67683

gemini_gemini-2.5-flash-preview-05-20

2025-05-27

1042.03

108

0.32728

3.39024

3.46341

總回應時間 (秒): 模型生成所有輸出的總時間。

通過測試數: 模型在評估期間通過的單元測試數量,總共 164 個測試。

平均 CodeBLEU 平均 CodeBLEU 分數,評估基於語法和語義正確性的代碼生成質量的指標。

平均 有用性評分 模型輸出有用性的平均評分,由 LLM 模型評定。

  • 0: 片段完全無幫助,與問題無關。

  • 1: 片段稍微有幫助,包含與問題相關的信息,但從頭開始寫解決方案更容易。

  • 2: 片段有些有幫助,需要進行重大更改(與片段的大小相比),但仍然有用。

  • 3: 片段有幫助,但需要稍微改變以解決問題。

  • 4: 片段非常有幫助,解決了問題。

平均 功能正確性評分 模型輸出功能正確性的平均分數,評估輸出滿足功能需求的程度,由 LLM 模型評定。

  • 0(未通過所有可能的測試): 代碼片段完全不正確且毫無意義。

  • 4(通過所有可能的測試): 代碼片段完全正確,能處理所有情況。

Last updated