RecodeX 重构消息，腾讯混元团队联合清华大学、北京大学研究者提出WebCraftBench，将软件测试方法引入AI网页生成评测。该评测基于369条真实用户需求、5088条验收标准，对17个前沿模型生成的6273个应用进行交互探索与评分，在197组复核应用对比中与人类偏好判断一致率达85.3%。

评测流程包括给代码插桩、智能体探索操作、整理操作记录为状态转移图并分维度评分。结果显示，无模型包揽美观度、易用性、需求符合度三项第一，美观度与易用性在单应用层面相关性低，更换评分裁判后整体排名仍稳定，覆盖率反馈能提升探索覆盖度。