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)	平均有用性分數 (0-4)	平均功能正確性分數 (0-4)
o1-preview	2025-02-21	2688.52	126	0.312426	3.57317	3.60976
o1-mini	2025-02-21	999.934	128	0.353161	3.68293	3.7439
gpt-4o	2025-02-21	211.039	124	0.315859	3.67073	3.75
gpt-4o-mini	2025-02-21	228.654	118	0.33717	3.63415	3.68293
claude-3-5-sonnet-20240620	2025-02-21	279.791	110	0.302947	3.68902	3.70732
claude-3-5-sonnet-20241022	2025-02-21	578.256	111	0.325341	3.64634	3.63415
gemini-1.5-pro	2025-02-21	563.298	100	0.329829	3.48171	4.07317
gemini-1.5-flash	2025-02-21	772.702	0	0.264112	0.780488	1.2561

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 有用性分數： 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（與片段大小相比），但仍然有用。

• 3： 片段有幫助，但需要稍微更改以解決問題。

• 4： 片段非常有幫助，能解決問題。

平均 功能正確性分數： 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。