简介
2026 年 9 月提出的 UI 评测基准，在 1,395 个可执行 Web 界面上统一测试审美评分、问题诊断、界面修复与文本生成 UI，并用 660 个受控退化案例配对诊断和修复，检验模型能否把设计判断转化为有效的界面修改。
内容总结
AUV-Bench 的新增价值：
1. 统一评测基础：四类能力共享界面样本与专业设计师制定的审美原则
2. 连接判断与行动：在同一个退化页面上对齐缺陷诊断和源码修复
3. 具体能力缺口：12 个模型中，完整诊断链成功率最高仅为 24.7%，正确判断也不总能带来成功修复
4. 复现边界明确：数据集已公开，但论文链接的仓库仍注明评测代码尚待发布
1. 统一评测基础：四类能力共享界面样本与专业设计师制定的审美原则
2. 连接判断与行动：在同一个退化页面上对齐缺陷诊断和源码修复
3. 具体能力缺口：12 个模型中，完整诊断链成功率最高仅为 24.7%，正确判断也不总能带来成功修复
4. 复现边界明确：数据集已公开，但论文链接的仓库仍注明评测代码尚待发布
标签
ui-generationaesthetic-evaluationdiagnosis-and-repairhuman-evaluationbenchmark