动察 Beating AI 快讯，腾讯混元联合清华、北大推出 IWC-Bench，专门评测 AI 生成的网页实际用起来怎么样。

不少网页生成评测主要看代码或截图。页面可能看起来很漂亮，代码里也确实写了功能，但按钮点不开、表单交不了、切个页面就报错，这些问题很难靠静态检查发现。

IWC-Bench 更像真人验收。它让一个 Agent 真正打开网页，点击按钮、输入内容、切换页面，再检查哪些功能实际跑过。最后分别评价三件事：页面好不好看、操作顺不顺、用户要求的功能有没有做出来。

基准收录 369 条真实用户需求和 5088 条验收标准，17 个模型一共生成了 6273 个网页应用。在另外 197 组人工复核的对比中，IWC-Bench 有 168 组和人类选择一致，一致率达到 85.3%。

结果也说明，网页「看起来不错」和「真的好用」不是一回事。GPT-5.6-Sol 的页面美观度最高，但易用性只排第六；具体到单个网页，好看基本不能说明它好不好用，两项相关系数只有 0.36。