65.5 对 92.3：大模型做 UI 能交差，却总在重复自己

这套基准怎么打分

论文以 arXiv 预印本形式发布，作者来自做设计转代码工具的 Kombai 团队。测试集覆盖 16 个前沿模型、80 个开放式 UI 任务，每个任务都改写成两个不同的产品领域版本，并配有人类设计师的参照作品。打分分三条线：

• 原创性：同一道题，各模型的设计彼此有多不一样；
• 创意幅度：同一个 UI 目标换到另一个产品领域，模型自己的设计变化有多大；
• 适配度：设计满足了需求说明里多少条验收标准。

65.5 对 92.3 是合成后的综合分，主要见于作者和二手报道；论文摘要与正文表格在不同指标上的数值口径并不相同，引用时最好只在同一指标内比较。

GPT-6 Astra 的矛盾成绩单

最有意思的是 GPT-6 Astra 的两项排名。在原创性上，它以 0.646 排第一，Grok 4.7 以 0.643 紧随其后——但就算是最「与众不同」的模型，也比人类那一行低 0.12，没有一个模型的置信区间够得着人类。到了创意幅度，排名几乎倒过来：GPT-6 Astra 垫底。换句话说，它和别的模型长得不一样，但换个场景还是在重复自己的那一套。

适配度则是另一番景象。Claude Opus 5.5 以 99.2% 的平均标准满足率排第一，GPT-6 Astra 以 99.1% 紧跟，两者都略高于人类参照的 98.0%。频道里说的「最佳模型达到 99.2%」，指的正是 Claude 而不是 GPT。

「千篇一律」是缺陷，还是听话的副作用

作者的结论是：模型默认输出大体得体，但比人类基线明显更重复。社区里也有反对声音，认为这种雷同更多是训练数据和指令遵循带来的产物，未必等同于「没有创意」——模型被训练成稳妥地满足要求，而稳妥本身就倾向于收敛到常见方案。

两种解释其实指向同一件事：适配度接近满分、创意幅度垫底，说明今天的模型是优秀的执行者、平庸的提案者。基准测的是「默认输出」，没有测给足风格约束、参考图和多轮反馈之后的表现。这也许才是下一版基准该回答的问题——人类设计师的 92.3 分，有多少是天赋，又有多少只是因为他们不会每次都选最保险的那一个方案。