RefCraft：通过网页开发评测视觉参考条件下的 Agent 生成

论文提出 RefCraft 基准，包含 300 个真实多模态网页开发任务，将自然语言指令与 1 至 5 个参考网页截图结合，要求 Agent 选择性理解并利用这些参考，同时进行渲染、视觉检查和迭代改进。评测使用可独立验证的关键点以及程序化等互补手段评估开放式产物。作者指出既有基准多聚焦视觉目标重建或仅凭文本指令生成网页，忽略了从视觉示例出发开发的常见工作流。

AI推荐理由 RefCraft 用 300 个真实多模态网页开发任务评测 Agent 对视觉参考的利用能力，要求渲染、视觉检查与迭代改进，并用可独立验证的关键点及程序化指标评估开放式产物。相比只做视觉还原或纯文本指令的基准更贴近实际工作流；但摘要未披露各模型的具体得分与对比结论。