(1)EM
EM(Exact Match)是指生成的代码与真实代码具有相同的token序列的百分比。
(2)BLUE
机器翻译结果越接近专业人工翻译的结果,则越好。BLEU实际上就是在判断两个句子的相似程度,相似度越高得分越高。
(3)CodeBLEU
CodeBLEU是 BLEU变体。在BLEU在n-gram匹配上的基础上,进一步通过抽象语法树(AST)融入代码语法,通过数据流融入代码语义。
(4)pass@k
Kulal 等人[SPoC: Search-based Pseudocode to Code],2019 年提出pass@k指标评估功能正确性,其中每个问题生成 k 个代码样本,如果任何样本通过单元测试,则认为问题已解决报告总分数。
但是一次实验随机性太大,需要多次实验求平均值。 pass@k需要对每一个测试问题重复实验 t 次,并且每次都生成 k 个代码,最后计算平均通过率。假如重复实验 100 次来估计 pass@100,就需要生成 100*100=10000 个代码,这样的计算量是难以接受的。而 t 越小,估计的 pass@k 就越不准(方差越大)。
Mark Chen等人[Evaluating Large Language Models Trained on Code],2021年改进pass@k指标:
p
a
s
s
@
k
:
=
E
P
r
o
b
l
e
m
s
[
1
−
(
n
−
c
k
)
(
n
k
)
]
pass@k:=E_{Problems}\left [ 1-\frac{\binom{n-c}{k} }{\binom{n}{k} } \right ]
pass@k:=EProblems[1−(kn)(kn−c)]
让模型为每个问题生成 n(n>k)份代码,再从中随机选择 k 份代码,k 份代码中至少有一份代码通过单元测试即通过测试,c 代表能通过单元测试的总数。