BigCodeArena: Выявление более надежных человеческих предпочтений в генерации кода через выполнение

BigCodeArena: Unveiling More Reliable Human Preferences in Code Generation via Execution

October 9, 2025

Авторы: Terry Yue Zhuo, Xiaolong Jin, Hange Liu, Juyong Jiang, Tianyang Liu, Chen Gong, Bhupesh Bishnoi, Vaisakhi Mishra, Marek Suppa, Noah Ziems, Saiteja Utpala, Ming Xu, Guangyu Song, Kaixin Li, Yuhan Cao, Bo Liu, Zheng Liu, Sabina Abdurakhmanova, Wenhao Yu, Mengzhao Jia, Jihan Yao, Kenneth Hamilton, Kumar Shridhar, Minh Chien Vu, Dingmin Wang, Jiawei Liu, Zijian Wang, Qian Liu, Binyuan Hui, Meg Risdal, Ahsen Khaliq, Atin Sood, Zhenchang Xing, Wasi Uddin Ahmad, John Grundy, David Lo, Banghua Zhu, Xiaoning Du, Torsten Scholak, Leandro von Werra

cs.AI

Аннотация

Платформы для краудсорсинговой оценки моделей, такие как Chatbot Arena, позволяют проводить оценку качества ответов моделей в реальном времени с точки зрения человека. В области программирования ручная проверка качества контента, созданного крупными языковыми моделями (LLM), представляет собой крайне сложную задачу, так как требует понимания длинных фрагментов исходного кода и преднамеренного симулирования его выполнения. В связи с этим мы представляем BigCodeArena — открытую платформу для человеческой оценки генерации кода, поддерживаемую комплексной и мгновенно доступной средой выполнения. Построенная на основе Chatbot Arena, BigCodeArena позволяет выполнять код, сгенерированный LLM, и дает возможность людям взаимодействовать с процессом выполнения и его результатами. Мы собрали более 14 000 сессий разговоров, ориентированных на код, с использованием 10 широко применяемых LLM, охватывающих 10 языков программирования и 8 типов сред выполнения. Среди этих разговоров мы выделили более 4700 многоходовых примеров с парными предпочтениями людей. Дополнительный анализ выявил недостаточно изученные предпочтения LLM в узких областях, характеризующихся задачами, языками и фреймворками. Для систематического изучения способностей передовых LLM к пониманию и генерации кода мы создали два бенчмарка на основе собранных данных: BigCodeReward и AutoCodeArena. Для BigCodeReward мы обработали 4700 разговоров и оценили согласованность между моделями вознаграждения и человеческими предпочтениями. Оценка показала, что большинство LLM демонстрируют превосходную производительность в суждении о предпочтениях в кодировании, когда доступны результаты выполнения. Вдохновленные этими выводами, мы предлагаем AutoCodeArena — автоматический бенчмарк с рейтингом Elo, предназначенный для оценки качества кода, генерируемого LLM, без участия человека. Мы обнаружили, что проприетарные LLM, такие как GPT-5, Claude-Sonnet-4 и Claude-Opus-4, по-прежнему лидируют в производительности генерации кода среди недавно появившихся моделей.

English

Crowdsourced model evaluation platforms, such as Chatbot Arena, enable real-time evaluation from human perspectives to assess the quality of model responses. In the coding domain, manually examining the quality of LLM-generated content is extremely challenging, as it requires understanding long chunks of raw code and deliberately simulating code execution. To this end, we introduce BigCodeArena, an open human evaluation platform for code generation backed by a comprehensive and on-the-fly execution environment. Built on top of Chatbot Arena, BigCodeArena enables the execution of LLM-generated code and allows humans to interact with the execution process and outcomes. We collected over 14,000 raw code-centric conversation sessions across 10 widely used LLMs, spanning 10 languages and 8 types of execution environments. Among these conversations, we identified more than 4,700 multi-turn samples with pairwise human preferences. Further analysis uncovers underexplored preferences of LLMs in fine-grained domains characterized by tasks, languages, and frameworks. To systematically examine code understanding and generation capabilities of frontier LLMs, we curated two benchmarks based on the collected data, namely BigCodeReward and AutoCodeArena. For BigCodeReward, we post-processed the 4,700 conversations and evaluated the consistency between reward models and human preferences. The evaluation shows that most LLMs have superior performance in judging coding preferences when the execution results are available. Inspired by these findings, we propose AutoCodeArena, an automatic Elo rating benchmark designed to assess the coding quality of LLMs without human involvement. We find that proprietary LLMs like GPT-5, Claude-Sonnet-4, and Claude-Opus-4 still lead in code generation performance among recent emerging models.