9月，腾讯混元发布WebCraftBench，用真实交互测试AI生成网页的质量。这个评测方式的特别之处在于，它不看代码长什么样，而是看网页能不能真正用起来。当AI生成网页、App、智能体的能力越来越强，传统的代码评测标准正在失效，评测体系必须跟着变。

传统评测方式的局限

过去评测AI生成代码，主要看的是代码层面的指标：能不能编译通过、单元测试能不能跑过、语法是否正确、风格是否规范。

这些指标对补全型AI是够用的。补全只需要生成一段代码，评测标准相对清晰。但当AI开始生成完整的网页、App甚至智能体时，代码层面的指标就不够用了。

一个网页代码写得再漂亮，如果交互逻辑有问题、用户操作会卡住、页面在不同屏幕尺寸下显示错乱，它就不是合格的产品。代码正确不等于产品可用，这个鸿沟在AI生成完整产品时尤其明显。

WebCraftBench的做法

腾讯混元WebCraftBench的思路是：不看代码长什么样，看网页能不能真正用起来。

它通过真实交互来测试AI生成的网页。评测过程模拟用户操作：点击按钮、填写表单、跳转页面、触发交互。如果网页在这些操作中表现正常，才算通过。

这个评测方式更接近真实用户的使用场景。用户不关心网页的底层代码是什么，只关心它好不好用、能不能完成想要的操作。WebCraftBench把评测标准从"代码正确"转向"交互可用"，是对AI生成产品能力的更实际衡量。

评测标准为什么必须变

评测标准的迁移，反映的是AI能力的迁移。

从补全到生成。 AI从生成代码片段，发展到生成完整网页、完整应用。评价的对象从"一段代码"变成了"一个产品"。

从代码到体验。 用户最终接触的是产品体验，不是代码。评测标准如果不跟上这个变化，就无法真实反映AI的能力。

从单点到流程。 真实应用是一个完整的交互流程，涉及多个页面、多个状态、多个操作。单点代码测试无法覆盖这种复杂性。

WebCraftBench的发布说明，行业已经开始重视这个变化。类似的趋势在编程评测中也有体现：SWE-bench测试的是AI能否修复真实的开源项目issue，Cline和Cursor的评测也更关注实际任务完成度。

评测标准变化带来的连锁反应

评测标准的变化，会影响整个AI开发工具链的进化方向。

对模型厂商，评测标准决定了优化目标。当评测看重交互可用性，模型就会更关注用户体验相关的能力，而不是单纯的代码正确率。

对开发工具，评测标准影响功能设计。如果交互可用性是核心指标，开发工具就需要提供更好的预览、调试和测试能力。

对用户，评测标准决定了AI产品的实际体验。更贴近真实场景的评测，意味着用户拿到的AI生成产品会更可靠。

一个更深层的变化

WebCraftBench背后还有一个更深层的信号：AI正在从"生成内容"走向"生成产品"。

这个转变的影响远比想象中大。当AI能够生成可用的网页和应用，软件开发的门槛会进一步降低，更多非技术人员能够参与产品创造。同时，软件行业的竞争格局也会变化——比的不是谁能写代码，而是谁能定义好产品、谁能指挥AI生成好产品。

评测标准的升级，是这个转变的基础设施。没有合适的评测体系，AI生成产品的能力就无法被准确衡量和比较，也就难以被用户信任。

结语

腾讯混元WebCraftBench用真实交互测试AI生成网页，标志着评测标准从"代码正确"转向"交互可用"。这个变化不是评测方式的微调，而是对AI能力迁移的必然回应。

当AI开始生成完整产品，评测就必须贴近真实使用场景。这个转变会沿着模型优化、工具设计、用户体验整条链路传导。对行业而言，评测体系是所有技术进步的标尺——标尺变了，整个行业的进化方向都会随之调整。