【腾讯混元发布 WebCraftBench，用真实交互测试 AI 生成网页】 #混元发布WebCraftBench#

腾讯混元联合清华大学、北京大学研究者发布 WebCraftBench，让测试 Agent 用 Playwright 真正点击按钮、输入内容和切换页面，检验 AI 生成的网页是否真的能用。

数据集包含 369 条匿名真实需求和 5088 条验收标准。研究团队让 17 个前沿模型生成了 6273 个网页应用，评测在 197 组人工复核对比中取得 85.3% 的偏好判断一致率。

结果显示，网页「看起来不错」和「真的好用」不能互相替代。按模型平均表现计算，美观度与易用性的相关系数为 0.85；落到单个应用时，这个数字只有 0.36。