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	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。