Benchmarks and Metrics for Evaluations of Code Generation: A Critical Review
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Paul, Debalina Ghosh, Zhu, Hong, Bayley, Ian |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
ScenEval: A Benchmark for Scenario-Based Evaluation of Code Generation
par: Paul, Debalina Ghosh, et autres
Publié: (2024)
par: Paul, Debalina Ghosh, et autres
Publié: (2024)
Investigating The Smells of LLM Generated Code
par: Paul, Debalina Ghosh, et autres
Publié: (2025)
par: Paul, Debalina Ghosh, et autres
Publié: (2025)
Operational Robustness of LLMs on Code Generation
par: Paul, Debalina Ghosh, et autres
Publié: (2026)
par: Paul, Debalina Ghosh, et autres
Publié: (2026)
Hallucinations in Code Change to Natural Language Generation: Prevalence and Evaluation of Detection Metrics
par: Liu, Chunhua, et autres
Publié: (2025)
par: Liu, Chunhua, et autres
Publié: (2025)
User Centric Evaluation of Code Generation Tools
par: Miah, Tanha, et autres
Publié: (2024)
par: Miah, Tanha, et autres
Publié: (2024)
A Qualitative Investigation into LLM-Generated Multilingual Code Comments and Automatic Evaluation Metrics
par: Katzy, Jonathan, et autres
Publié: (2025)
par: Katzy, Jonathan, et autres
Publié: (2025)
Code Review Agent Benchmark
par: Zhang, Yuntong, et autres
Publié: (2026)
par: Zhang, Yuntong, et autres
Publié: (2026)
Lyra: A Benchmark for Turducken-Style Code Generation
par: Liang, Qingyuan, et autres
Publié: (2021)
par: Liang, Qingyuan, et autres
Publié: (2021)
WebCoderBench: Benchmarking Web Application Generation with Comprehensive and Interpretable Evaluation Metrics
par: Liu, Chenxu, et autres
Publié: (2026)
par: Liu, Chenxu, et autres
Publié: (2026)
A.S.E: A Repository-Level Benchmark for Evaluating Security in AI-Generated Code
par: Lian, Keke, et autres
Publié: (2025)
par: Lian, Keke, et autres
Publié: (2025)
COMPASS: A Multi-Dimensional Benchmark for Evaluating Code Generation in Large Language Models
par: Meaden, James, et autres
Publié: (2025)
par: Meaden, James, et autres
Publié: (2025)
CODE-DITING: A Reasoning-Based Metric for Functional Alignment in Code Evaluation
par: Yang, Guang, et autres
Publié: (2025)
par: Yang, Guang, et autres
Publié: (2025)
CodeGolf Bench: A Multi-Language Benchmark for Evaluating Concise Code Generation Capabilities of Large Language Models
par: Padwal, Vedant
Publié: (2026)
par: Padwal, Vedant
Publié: (2026)
RedCode: Risky Code Execution and Generation Benchmark for Code Agents
par: Guo, Chengquan, et autres
Publié: (2024)
par: Guo, Chengquan, et autres
Publié: (2024)
DOMAINEVAL: An Auto-Constructed Benchmark for Multi-Domain Code Generation
par: Zhu, Qiming, et autres
Publié: (2024)
par: Zhu, Qiming, et autres
Publié: (2024)
Technique to Baseline QE Artefact Generation Aligned to Quality Metrics
par: Farchi, Eitan, et autres
Publié: (2025)
par: Farchi, Eitan, et autres
Publié: (2025)
A New Benchmark for the Appropriate Evaluation of RTL Code Optimization
par: Lu, Yao, et autres
Publié: (2026)
par: Lu, Yao, et autres
Publié: (2026)
An Evaluation of Context Length Extrapolation in Long Code via Positional Embeddings and Efficient Attention
par: Ghosh, Madhusudan, et autres
Publié: (2026)
par: Ghosh, Madhusudan, et autres
Publié: (2026)
ReCUBE: Evaluating Repository-Level Context Utilization in Code Generation
par: Hong, Jiseung, et autres
Publié: (2026)
par: Hong, Jiseung, et autres
Publié: (2026)
Enhancing LLM-Based Code Generation with Complexity Metrics: A Feedback-Driven Approach
par: Sepidband, Melika, et autres
Publié: (2025)
par: Sepidband, Melika, et autres
Publié: (2025)
Can Code Evaluation Metrics Detect Code Plagiarism?
par: Ebrahim, Fahad, et autres
Publié: (2026)
par: Ebrahim, Fahad, et autres
Publié: (2026)
Evaluating Large Language Models for Code Review
par: Cihan, Umut, et autres
Publié: (2025)
par: Cihan, Umut, et autres
Publié: (2025)
Bridging LLM-Generated Code and Requirements: Reverse Generation technique and SBC Metric for Developer Insights
par: Ponnusamy, Ahilan Ayyachamy Nadar
Publié: (2025)
par: Ponnusamy, Ahilan Ayyachamy Nadar
Publié: (2025)
Re-Evaluating Code LLM Benchmarks Under Semantic Mutation
par: Pan, Zhiyuan, et autres
Publié: (2025)
par: Pan, Zhiyuan, et autres
Publié: (2025)
Benchmarking LLMs for Fine-Grained Code Review with Enriched Context in Practice
par: Hu, Ruida, et autres
Publié: (2025)
par: Hu, Ruida, et autres
Publié: (2025)
FreshBrew: A Benchmark for Evaluating AI Agents on Java Code Migration
par: May, Victor, et autres
Publié: (2025)
par: May, Victor, et autres
Publié: (2025)
Benchmarking Correctness and Security in Multi-Turn Code Generation
par: Rawal, Ruchit, et autres
Publié: (2025)
par: Rawal, Ruchit, et autres
Publié: (2025)
Automated Benchmark Generation for Repository-Level Coding Tasks
par: Vergopoulos, Konstantinos, et autres
Publié: (2025)
par: Vergopoulos, Konstantinos, et autres
Publié: (2025)
SWE Context Bench: A Benchmark for Context Learning in Coding
par: Zhu, Jiayuan, et autres
Publié: (2026)
par: Zhu, Jiayuan, et autres
Publié: (2026)
CR-Bench: Evaluating the Real-World Utility of AI Code Review Agents
par: Pereira, Kristen, et autres
Publié: (2026)
par: Pereira, Kristen, et autres
Publié: (2026)
Evaluating SAP Joule for Code Generation
par: Heisler, Joshua, et autres
Publié: (2025)
par: Heisler, Joshua, et autres
Publié: (2025)
CodeScope: An Execution-based Multilingual Multitask Multidimensional Benchmark for Evaluating LLMs on Code Understanding and Generation
par: Yan, Weixiang, et autres
Publié: (2023)
par: Yan, Weixiang, et autres
Publié: (2023)
AdaptEval: A Benchmark for Evaluating Large Language Models on Code Snippet Adaptation
par: Zhang, Tanghaoran, et autres
Publié: (2026)
par: Zhang, Tanghaoran, et autres
Publié: (2026)
Benchmarking Multimodal LLMs on Code Generation for Complex Interactive Webpages
par: Wu, Fan, et autres
Publié: (2026)
par: Wu, Fan, et autres
Publié: (2026)
Hallucination by Code Generation LLMs: Taxonomy, Benchmarks, Mitigation, and Challenges
par: Lee, Yunseo, et autres
Publié: (2025)
par: Lee, Yunseo, et autres
Publié: (2025)
UA-Code-Bench: A Competitive Programming Benchmark for Evaluating LLM Code Generation in Ukrainian
par: Syromiatnikov, Mykyta, et autres
Publié: (2025)
par: Syromiatnikov, Mykyta, et autres
Publié: (2025)
LibEvolutionEval: A Benchmark and Study for Version-Specific Code Generation
par: Kuhar, Sachit, et autres
Publié: (2024)
par: Kuhar, Sachit, et autres
Publié: (2024)
Tests as Prompt: A Test-Driven-Development Benchmark for LLM Code Generation
par: Cui, Yi
Publié: (2025)
par: Cui, Yi
Publié: (2025)
Code for Machines, Not Just Humans: Quantifying AI-Friendliness with Code Health Metrics
par: Borg, Markus, et autres
Publié: (2026)
par: Borg, Markus, et autres
Publié: (2026)
Understanding the Limits of Automated Evaluation for Code Review Bots in Practice
par: Karakaya, Veli, et autres
Publié: (2026)
par: Karakaya, Veli, et autres
Publié: (2026)
Documents similaires
-
ScenEval: A Benchmark for Scenario-Based Evaluation of Code Generation
par: Paul, Debalina Ghosh, et autres
Publié: (2024) -
Investigating The Smells of LLM Generated Code
par: Paul, Debalina Ghosh, et autres
Publié: (2025) -
Operational Robustness of LLMs on Code Generation
par: Paul, Debalina Ghosh, et autres
Publié: (2026) -
Hallucinations in Code Change to Natural Language Generation: Prevalence and Evaluation of Detection Metrics
par: Liu, Chunhua, et autres
Publié: (2025) -
User Centric Evaluation of Code Generation Tools
par: Miah, Tanha, et autres
Publié: (2024)