腾讯混元联合清北推出 IWC-Bench，评测 AI 生成网页实际可用性

腾讯混元联合清华大学、北京大学推出 IWC-Bench，专门评测 AI 生成网页在实际使用中的表现。

现有不少网页生成评测主要看代码或截图，但这类方式很难发现实际交互中的问题。页面可能看起来完整，代码里也写了对应功能，实际使用时却会出现按钮无法点击、表单无法提交，或切换页面后报错等情况。

IWC-Bench 如何评测网页可用性

IWC-Bench 的思路更接近真人验收。它会让一个 Agent 真实打开网页，执行点击按钮、输入内容、切换页面等操作，再检查哪些功能真正跑通。

在评价维度上，IWC-Bench 分别考察三项内容：页面是否美观、操作是否顺畅，以及用户提出的功能需求是否被实现。

基准规模与测试结果

该基准收录了 369 条真实用户需求和 5088 条验收标准。测试中，17 个模型共生成 6273 个网页应用。

在另外 197 组人工复核对比中，IWC-Bench 有 168 组与人类选择一致，一致率为 85.3%。

美观与好用并不等同

结果显示，网页「看起来不错」和「真的好用」并不是一回事。GPT-5.6-Sol 在页面美观度上排名最高，但在易用性上只排第六。

具体到单个网页，美观程度基本不能直接说明可用性，两项相关系数仅为 0.36。