研究人员推出了 WebUIProof，这是一个旨在严格评估 WebUI 代码生成功能正确性的新基准。该基准利用 UI-agent 执行工具，在无头浏览器中模拟用户交互，以根据指定的断言测试生成的代码。对八个商业 LLM 的评估显示，基于交互的需求经常失败，尤其是在复杂的 3D 模拟界面方面。研究还表明，使用从这些交互测试中获得的强化学习信号来训练 Qwen2.5 14B 和 MIMO 7B 等较小模型，可以提高功能完成率并减少构建错误。 AI
影响 突出了 LLM 在交互式界面代码生成方面的关键差距，并提出了改进功能正确性的新训练方法。
排序理由 介绍新基准和评估方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.02617v1 Announce Type: cross Abstract: Evaluating WebUI code generation at scale is difficult: outputs may compile and look plausible yet fail under user interaction, and prior benchmarks largely rely on free-form prompts with static checks (build success, screenshots)…
Evaluating WebUI code generation at scale is difficult: outputs may compile and look plausible yet fail under user interaction, and prior benchmarks largely rely on free-form prompts with static checks (build success, screenshots) that miss functional correctness. We introduce We…