In recent years, Generative Artificial Intelligence has gained increasing importance due to its ability to produce complex content in extremely short times, starting from requests formulated in natural language. This thesis analyzes and compares four different LLMs, evaluating their specific operational capabilities in code and image generation. Specifically, the evaluation is conducted by submitting the same input requests to the different architectures, adapting the instructions where necessary through targeted prompts to maintain consistency among the returned outputs. This approach ensured a transparent and objective comparison of the various models' performances, thereby highlighting their main architectural differences and respective strengths.

Negli ultimi anni, l’Intelligenza Artificiale Generativa ha assunto un’importanza sempre maggiore, grazie alla sua capacità di produrre contenuti complessi, in tempi estremamente brevi, partendo da richieste formulate in linguaggio naturale. Nella presente tesi vengono analizzati e confrontati quattro diversi LLM, valutandone le specifiche capacità operative nella generazione di codice e di immagini. In particolare, la valutazione viene condotta sotto- ponendo le medesime richieste in input alle diverse architetture, adattando, dove necessario, le istruzioni tramite prompt mirati per mantenere la coerenza tra gli output restituiti. Questo approccio ha garantito un confronto trasparente e oggettivo tra le prestazioni dei vari modelli, permettendo quindi di evidenziarne le principali differenze architetturali e i rispettivi punti di forza.

Progettazione e implementazione di case study relativi alla generazione di codice e di immagini mediante l’utilizzo di LLM differenti

NAJA, TAREK
2025/2026

Abstract

In recent years, Generative Artificial Intelligence has gained increasing importance due to its ability to produce complex content in extremely short times, starting from requests formulated in natural language. This thesis analyzes and compares four different LLMs, evaluating their specific operational capabilities in code and image generation. Specifically, the evaluation is conducted by submitting the same input requests to the different architectures, adapting the instructions where necessary through targeted prompts to maintain consistency among the returned outputs. This approach ensured a transparent and objective comparison of the various models' performances, thereby highlighting their main architectural differences and respective strengths.
2025
2026-10-22
Design and implementation of case studies related to code and image generation through the usage of different LLMs
Negli ultimi anni, l’Intelligenza Artificiale Generativa ha assunto un’importanza sempre maggiore, grazie alla sua capacità di produrre contenuti complessi, in tempi estremamente brevi, partendo da richieste formulate in linguaggio naturale. Nella presente tesi vengono analizzati e confrontati quattro diversi LLM, valutandone le specifiche capacità operative nella generazione di codice e di immagini. In particolare, la valutazione viene condotta sotto- ponendo le medesime richieste in input alle diverse architetture, adattando, dove necessario, le istruzioni tramite prompt mirati per mantenere la coerenza tra gli output restituiti. Questo approccio ha garantito un confronto trasparente e oggettivo tra le prestazioni dei vari modelli, permettendo quindi di evidenziarne le principali differenze architetturali e i rispettivi punti di forza.
File in questo prodotto:
File Dimensione Formato  
main.pdf

accesso aperto

Descrizione: La tesi valuta le prestazioni di quattro modelli di IA Generativa tramite due case study incentrati sulla generazione di codice Python e di immagini.
Dimensione 85.89 MB
Formato Adobe PDF
85.89 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/29629