大模型如火如荼发展，不能只看热闹，也需要躬身入局。要想评估大模型的能力，必须有一个评估方法和评估数据集。下面就梳理下当前大模型是如何评估代码能力的
权威评估
- opencompass: https://opencompass.org.cn/
- datalearner: https://www.datalearner.com/ai-models/llm-coding-evaluation
- llm-leaderboard：https://huggingface.co/spaces/ludwigstumpp/llm-leaderboard
评估指标
OpenAI 提出的 pass@k 作为评价指标来计算
编码能力评估
- humaneval-x：主要是类似 LeetCode 的编程题。
https://huggingface.co/datasets/THUDM/humaneval-x - humaneval：一个手写的问题解决数据集，要求根据给定的问题和代码模板，生成正确的代码片段。这个数据集包含了164个高质量的问题，涵盖了五种编程语言：Python, C++, Java, Go, 和 JavaScript。这些问题涉及了不同的编程概念，如控制流、数据结构、算法、输入输出等。https://github.com/openai/human-eval
- MBPP (Mostly Basic Python Programming)：由大约 1,000 个众包的 Python 编程问题组成，旨在由入门级程序员解决，涵盖编程基础知识、标准库功能等。 每个问题都包含任务描述、代码解决方案和 3 个自动化测试用例。
总结
从数据集来看，目前大模型支持更多还是函数级别。涉及不到类层面。因此，Java 语言的评估模型是不是需要优化？
参考
1、Large Language Model Evaluation in 2023: 5 Methods (aimultiple.com)
https://research.aimultiple.com/large-language-model-evaluation/
2、Evaluating the Code Quality of AI-Assisted Code Generation Tools: An Empirical Study on GitHub Copilot, Amazon CodeWhisperer, and ChatGPT
https://arxiv.org/pdf/2304.10778.pdf
3. HumanEval Benchmark (Code Generation) | Papers With Code
4. Evaluating Large Language Models Trained on Code
5. THUDM/CodeGeeX2: CodeGeeX2: A More Powerful Multilingual Code Generation Model (github.com)
6. 常见大模型数据集
