WebUIProof：UI智能体执行Harness评测WebUI代码生成

大规模评估WebUI代码生成很困难：输出可能编译通过且外观合理，却在用户交互下失败；既有基准大多依赖自由格式提示与静态检查（构建成功、截图），漏掉功能正确性。我们提出WebUIProof，一个面向执行的基准，为两类任务族提供结构化规格与稠密可执行交互测试：通用WebUI（仪表盘、游戏、交互工具）与3D交互仿真（粒子/星系系统、物理动力学）。WebUIProof包含UI智能体Harness，在无头浏览器中以迭代"计划-行动-观察"循环运行可执行交互测试：定位DOM元素、执行动作、观察UI/DOM变化并核验断言。我们在八个商用LLM上评估，观察到即使页面渲染成功，交互型需求仍频繁失败，3D仿真界面尤甚。最后我们展示UI智能体Harness可提供结果级训练信号：以可执行交互测试导出的RL奖励训练紧凑模型（Qwen2.5 14B与MIMO 7B）可提升功能完成度并减少构建失败。