CsvTableShortMulti im LLM-Testsuite-Report

Testfallbeschreibung

Der Test prüft, ob das Modell eine CSV Datei korrekt analysieren kann. Die Aufgabe besteht aus mehreren Bedingungen, die gemeinsam ausgewertet werden müssen. Erstens soll die Stadt mit der höchsten Bevölkerungsdichte ermittelt werden. Zweitens soll überprüft werden, ob diese Stadt gleichzeitig eine Fläche unter 300 Quadratkilometern besitzt. Drittens soll zusätzlich geprüft werden, ob die Einwohnerzahl über einer Million liegt. Nur wenn alle Bedingungen erfüllt sind, soll der Datensatz ausgewählt werden. Anschließend sollen Stadtname und PLZ ausgegeben werden.

QuelldateiCsvTableShortMulti.txt
Serie1
Kategoriencsv, table, analysis
BewertungDeterministisch
Prompt SHA-25653468c1eab502197ac490b51771b0cc772b1a22e4de8ab349908c7d26be3203c
Deterministisch: Die Antwort wird regelbasiert gegen ein erwartetes Ergebnis geprüft. Bewertet wird also, ob die geforderten Werte, Muster oder Strukturen in der Modellantwort gefunden werden.

Erwartetes Ergebnis

KEIN_PASSENDER_DATENSATZ

Erwartung im Katalogja
Korrektes Ergebnis im Katalogja

Hinweis: Multi-Bedingungsfall: kein passender Datensatz, weil München mit 310 km² die Bedingung Fläche unter 300 km² nicht erfüllt.

Prompt

Du erhaeltst unter content eine CSV Datei, getrennt durch Semikolon.

Aufgabe
Finde die Stadt, die alle folgenden Bedingungen gleichzeitig erfüllt
1 höchste Bevölkerungsdichte
2 Fläche kleiner als 300 Quadratkilometer
3 Gesamtbevölkerung über 1 Million

Gib 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
788 Runs 774 bewertet 1.7 % Score 1.7 % exakt korrekt
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 %.

Erzeugt am