CsvTableShort im LLM-Testsuite-Report
Testfallbeschreibung
Der Test prüft, ob das Modell eine CSV Datei korrekt analysieren kann. Ziel ist es, die Stadt mit der höchsten Bevölkerungsdichte zu identifizieren und anschließend Stadtname und PLZ dieser Stadt auszugeben. Bewertet wird, ob das Modell die richtige Spalte erkennt, die Dichtewerte korrekt interpretiert und den passenden Datensatz extrahiert.
| Quelldatei | CsvTableShort.txt |
|---|---|
| Serie | 1 |
| Kategorien | csv, table, analysis |
| Bewertung | Deterministisch |
| Prompt SHA-256 | 669cba3fa51fbe5086b7de797021de707ac2c7d9657315b5934bc01f87f34c4d |
Erwartetes Ergebnis
München, Landeshauptstadt / 80313
| Erwartung im Katalog | ja |
|---|---|
| Korrektes Ergebnis im Katalog | ja |
Hinweis: Normale Stadt-Tabellenanalyse: Stadt mit der höchsten Bevölkerungsdichte.
Prompt
Du erhaeltst unter content eine CSV Datei, getrennt durch Semikolon. Aufgabe Finde die Stadt mit der höchsten Bevölkerungsdichte (ewdichte). Gib anschließend genau zwei Werte zurück erst den Stadtnamen (gemeinde) dann die PLZ der Stadt. Keine weiteren Erklärungen. # content id;blandname;blandkz;rbz;kreis;gverband;gemeinde;ars;ags;gname;flaechekm2;ewgesamt;ewm;eww;ewdichte;plz;lon;lat;rgebietkz;rgebietname;vstkz;vstname 12607;Berlin;11;0;0;0;0;1,1E+11;11000000;Berlin, Stadt;891;3685265;1810259;1875006;4136;10178;13,405538;52,51767;XBE;Berlin;1;dicht besiedelt 1297;Hamburg;2;0;0;0;0;20000000000;2000000;Hamburg, Freie und Hansestadt;755;1862565;911888;950677;2467;20038;9,99697;53,550678;XHH;Hamburg;1;dicht besiedelt 8623;Bayern;9;1;62;0;0;91620000000;9162000;München, Landeshauptstadt;310;1505005;737442;767563;4844;80313;11,575997;48,137683;T23;Landeshauptstadt München;1;dicht besiedelt 2902;Nordrhein-Westfalen;5;3;15;0;0;53150000000;5315000;Köln, Stadt;405;1024621;498050;526571;2530;50667;6,957068;50,938107;H09;Köln und Rhein-Erft-Kreis;1;dicht besiedelt 3605;Hessen;6;4;12;0;0;64120000000;6412000;Frankfurt am Main, Stadt;248;756021;371235;384786;3045;60311;8,682433;50,11088;I13;Main und Taunus;1;dicht besiedelt 2751;Nordrhein-Westfalen;5;1;11;0;0;51110000000;5111000;Düsseldorf, Stadt;217;618685;299070;319615;2846;40213;6,780068;51,22422;H10;Düsseldorf und Kreis Mettmann;1;dicht besiedelt 6995;Baden-Württemberg;8;1;11;0;0;81110000000;8111000;Stuttgart, Landeshauptstadt;207;612663;304725;307938;2955;70173;9,177734;48,775817;L50;Region Stuttgart;1;dicht besiedelt 14716;Sachsen;14;7;13;0;0;1,4713E+11;14713000;Leipzig, Stadt;297;611850;301582;310268;2055;4109;12,377931;51,338288;C02;Stadt Leipzig;1;dicht besiedelt 3425;Nordrhein-Westfalen;5;9;13;0;0;59130000000;5913000;Dortmund, Stadt;280;603462;297860;305602;2150;44135;7,464165;51,514171;H11;Ruhrgebiet;1;dicht besiedelt 2743;Bremen;4;0;11;0;0;40110000000;4011000;Bremen, Stadt;326;586271;289585;296686;1797;28195;8,809338;53,075606;XHB;Bremen;1;dicht besiedelt 2757;Nordrhein-Westfalen;5;1;13;0;0;51130000000;5113000;Essen, Stadt;210;574682;279666;295016;2732;45121;7,012583;51,455843;H11;Ruhrgebiet;1;dicht besiedelt 14416;Sachsen;14;6;12;0;0;1,4612E+11;14612000;Dresden, Stadt;328;564904;280262;284642;1720;1067;13,736883;51,051697;C00;Stadt Dresden;1;dicht besiedelt 10929;Bayern;9;5;64;0;0;95640000000;9564000;Nürnberg;186;529508;260358;269150;2840;90403;11,075269;49,450938;T13;Städteregion Nürnberg;1;dicht besiedelt 1572;Niedersachsen;3;2;41;1;1;32410001001;3241001;Hannover, Landeshauptstadt;204;522131;256255;265876;2556;30159;9,738084;52,374551;G11;Hannover-Hildesheim;1;dicht besiedelt 2754;Nordrhein-Westfalen;5;1;12;0;0;51120000000;5112000;Duisburg, Stadt;232;502270;249294;252976;2157;47051;6,765477;51,433259;H02;Niederrhein;1;dicht besiedelt 3422;Nordrhein-Westfalen;5;9;11;0;0;59110000000;5911000;Bochum, Stadt;145;358676;176530;182146;2462;44787;7,217177;51,482699;H11;Ruhrgebiet;1;dicht besiedelt 2778;Nordrhein-Westfalen;5;1;24;0;0;51240000000;5124000;Wuppertal, Stadt;168;358193;176780;181413;2127;42275;7,195874;51,271288;H12;Bergisches Städtedreieck;1;dicht besiedelt 3274;Nordrhein-Westfalen;5;7;11;0;0;57110000000;5711000;Bielefeld, Stadt;258;331605;161011;170594;1281;33602;8,534049;52,021995;H04;Teutoburger Wald;1;dicht besiedelt 2899;Nordrhein-Westfalen;5;3;14;0;0;53140000000;5314000;Bonn, Stadt;141;323336;155766;167570;2292;53111;7,099187;50,734245;H08;Bonn und Rhein-Sieg-Kreis;1;dicht besiedelt 7610;Baden-Württemberg;8;2;22;0;0;82220000000;8222000;Mannheim, Universitätsstadt;144;318035;159246;158789;2194;68159;8,466275;49,48778;L40;Nördliches Baden-Württemberg;1;dicht besiedelt
Hilfe zu Bewertung, Score und exakter Korrektheit
Score ist eine abgestufte Gütebewertung: correct = 100 %, mostly_correct = 80 %, partial = 50 %, wrong/not_answered = 0 %.
Exakt korrekt ist strenger: Nur Runs mit dem Label correct zählen. Mostly correct erhöht den Score, zählt aber nicht als exakt korrekt.
Bewertet zählt alle Runs mit fachlichem Urteil. Bei LLM-Judge-Ergebnissen zählen auch Judge-Fehler als bewertet, aber mit Score 0 %.





