腾讯推出新基准测试提升创意AI模型评估

AI也能当”艺术评论家”？腾讯震撼推出ArtifactsBench测试基准，让机器学会”好品味”，通用模型竟意外击败专业选手！这是否意味着AI审美时代的真正到来？

腾讯推出全新AI评测基准ArtifactsBench
——专治AI”审美不在线”的代码生成难题

【行业痛点】当你要求AI生成一个简单网页或图表时，是否常遇到”功能能用但体验糟糕”的窘境？按钮位置错乱、色彩搭配刺眼、动画效果生硬…这些现象暴露出AI开发的核心挑战：如何让机器具备”好品味”？

传统测试仅关注代码功能性，却对”视觉保真度与交互完整性”视而不见。腾讯最新发布的ArtifactsBench正是为此而生——它不仅是测试工具，更是AI生成代码的”自动化艺术评论家”。

🚀技术突破：
• 首创多模态评估管道，覆盖1,825项多样化任务
• 采用MLLM-as-Judge机制评估视觉成果
• 与人类专家评审一致性超90%
• 相较传统自动化基准（69.4%一致性），与权威平台WebDev Arena的排名匹配度高达94.4%

【运行机制揭秘】
1️⃣ 从1800+创意任务库（含数据可视化、网页应用、互动小游戏等）抽取题目
2️⃣ 在沙盒环境中自动构建/运行AI生成的代码
3️⃣ 通过时序截图捕捉动态交互表现
4️⃣ 由多模态大模型(MLLM)依据10项指标进行系统评分（含功能、用户体验、美学质量等）

💡意外发现：
在测试全球30余个顶尖AI模型时，通用模型表现反超专业选手！腾讯Qwen-2.5-Instruct击败了自家专精代码的Qwen-2.5-coder和视觉特化模型Qwen2.5-VL。研究团队指出：”优秀视觉应用需要代码能力、视觉理解与设计美学的融合，这正是通用模型逐渐展现的全方位智能。”

延伸思考：
• 当AI开始具备”审美判断力”，人类设计师的角色将如何演变？
• 通用模型与垂直模型的边界是否正在被重新定义？

（本文部分信息引自腾讯Hunyuan3D-PolyGen模型报道。更多AI前沿动态，可关注阿姆斯特丹/加州/伦敦举办的AI & Big Data Expo系列活动。）

阅读 ArtificialIntelligence News 的原文，点击链接。