本研究评估了大型语言模型在语言到代码生成方面的能力，分析了影响性能的因素，并衡量了模型的置信度校准情况。研究结果提供了对LLMs在语言到代码生成方面能力和限制的全面了解，并发布了评估框架和所有模型输出。