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)
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

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，但從頭開始編寫解決方案更容易。

• 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，但需要稍微改動以解決問題。

• 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。