LLM 評估報告
o1-preview
2025-03-23
2138.1
133
0.313937
3.57927
3.65244
o1-mini
2025-03-23
796.069
129
0.32859
3.71341
3.79268
gpt-4o
2025-03-23
153.534
128
0.302544
3.71341
3.68902
gpt-4o-mini
2025-03-23
220.775
113
0.331566
3.64634
3.7561
claude-3-5-sonnet-20240620
2025-03-23
255.237
112
0.301063
3.66463
3.59146
claude-3-5-sonnet-20241022
2025-03-23
312.556
117
0.31951
3.65854
3.67073
gemini-1.5-pro
2025-03-23
505.655
101
0.335002
3.4878
3.5
gemini-1.5-flash
2025-03-23
760.225
0
0.264967
0.823171
0.914634
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,評估代碼生成質量的指標,基於語法和語義的正確性。
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: 片段完全沒有幫助,與問題無關。
1: 片段稍微有幫助,包含與問題相關的信息,但從頭寫解決方案會更容易。
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,但需要稍微改動才能解決問題。
4: 片段非常有幫助,能解決問題。
平均 功能正確性評分: 模型輸出的功能正確性的平均分數,評估輸出滿足功能要求的程度,由 LLM 模型評定。
0(未通過所有可能的測試): 代碼片段完全錯誤且毫無意義。
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