简介
一项由 Apple 研究人员参与的生成界面评估工作，重点判断生成 UI 能否支持真实用户流程。FlowEval 在参考网站和生成版本上执行经过验证的任务，用相似度指标比较导航轨迹，并检验这些分数与 UI 专家判断的一致性。
内容总结
FlowEval 带来的新信号：
1. 以交互流程为核心：评估完整任务路径，而不只看截图或代码是否正确
2. 使用可信参考界面：把生成网站与已知高质量网站的操作轨迹直接比较
3. 方法可自动化：通过 computer-use agent 和导航任务收集可比较的交互序列
4. 诊断更可解释：轨迹差异能够指出生成流程从参考体验偏离的位置
5. 有人类评审依据：论文显示基于参考的指标与 UI 专家的生成界面评价高度相关
1. 以交互流程为核心：评估完整任务路径，而不只看截图或代码是否正确
2. 使用可信参考界面：把生成网站与已知高质量网站的操作轨迹直接比较
3. 方法可自动化：通过 computer-use agent 和导航任务收集可比较的交互序列
4. 诊断更可解释：轨迹差异能够指出生成流程从参考体验偏离的位置
5. 有人类评审依据：论文显示基于参考的指标与 UI 专家的生成界面评价高度相关
标签
ui-evaluationinteraction-flowscomputer-use-agentsbenchmarkhuman-evaluation