FlowEval：基于参考的生成用户界面评估

虽然大语言模型（LLM）和编码 agent 常被用于用户界面（UI）开发，但开发者很难可靠地评估它们在视觉与交互设计方面的能力。现有评估方法要么依赖人类专家——他们能通过测试关键流程准确评估可用性，但速度慢且成本高；要么依赖自动化评判——虽可扩展但准确性较低且不透明。我们提出 FlowEval，这是一个基于参考的框架，通过比较真实网站的导航轨迹与生成 UI 的轨迹，来衡量生成的 UI 是否支持真实的交互流程。