EvoGenUI-Bench：评估大语言模型作为多轮生成式界面助手的能力

大语言模型可以生成交互式 Web 界面，但可靠的生成式 UI 需要随着用户请求的发展而维护可执行工件。我们推出了 EvoGenUI-Bench，这是一个多轮界面维护基准，包括 150 个五轮任务和 750 个轮次，涵盖三种场景：信息呈现、可执行交互和基于工具的外部状态。我们在浏览器中执行生成的工件，并使用屏幕截图、源和 DOM 证据、参与者跟踪和运行时日志对其进行评估。除了转弯级别和剧集级别的成功之外，我们还通过相邻通行保留来衡量交叉转弯保留。在八个模型中，即使是最强的也能达到 74.9% 的回合通过率，而五回合的回合仅完成 37.3%；基于工具的任务的 APR 进一步下降至 52.4%。诊断分析表明，呈现故障集中在信息架构上，交互故障集中在派生状态传播和可供性绑定上，而基于工具的故障还涉及外部状态基础和需求分解。这些结果重新构建了生成式 UI 评估，从判断独立输出到测试界面行为、派生状态、外部状态和辅助声明是否随着工件的发展保持同步。