WebCraftBench проверяет сайты, созданные ИИ

Агент говорит, что сайт готов. Но главная страница падает, кнопки перекрываются, а внутри появился ненужный логин. 🙃

WebCraftBench тестирует веб-приложение как реальный пользователь:

- исследует доступные страницы и функции
- находит непроверенные сценарии
- оценивает дизайн и удобство
- проверяет соответствие исходному запросу

На 197 парах сайтов оценка WebCraftBench совпала с выбором людей в 85,3% случаев.

https://arxiv.org/abs/2609.15387