研究人员开发了HTMLCure，一个旨在提高大型语言模型生成的HTML质量的框架。该系统不仅在初始渲染时评估HTML，还在滚动和点击等用户交互后进行评估，捕获特定状态的证据。然后，HTMLCure利用这些数据驱动修复引擎，优化HTML，使其在各种状态下更健壮、更具功能性。由此产生的精炼模型，如HTMLCure-27B-Refined，在HTMLBench-400和MiniAppBench等基准测试中取得了有竞争力的性能，可与成熟的模型相媲美。 AI
影响 该框架可以显著提高LLM生成内容的可靠性和可用性，减少手动校正并增强用户体验。
排序理由 该集群描述了一篇详细介绍新颖框架及其在基准测试中性能的研究论文。
在 Hugging Face Daily Papers 阅读 →
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:2605.26807v1 Announce Type: cross Abstract: LLMs can now produce full HTML pages, but many of those pages are only superficially correct: they render once, then fail under scroll, hover, click, resize, or gameplay. Evaluation from screenshots can miss these failures, and fi…
LLMs can now produce full HTML pages, but many of those pages are only superficially correct: they render once, then fail under scroll, hover, click, resize, or gameplay. Evaluation from screenshots can miss these failures, and filtering discards many pages that are still repaira…