論文の概要: LongWebBench: Evaluating Structural and Functional Webpage Generation in Long-Horizon Settings

• arxiv url: http://arxiv.org/abs/2606.17727v1
• Date: Tue, 16 Jun 2026 09:43:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.379596
• Title: LongWebBench: Evaluating Structural and Functional Webpage Generation in Long-Horizon Settings
• Title（参考訳）: LongWebBench: 長期設定における構造的および機能的Webページ生成の評価
• Authors: Yi Zhao, Zhen Yang, Mengpan Chen, Mingde Xu, Shanghui Gong, Xijun Liu, Jibing Gong, Jie Tang,
• Abstract要約: LongWebBenchは、構造的および機能的両面から長期にわたるWebページ生成を評価するためのベンチマークである。 構造的忠実度評価のための490の現実世界の長いWebページと、機能評価のための129のWebページ上の507の目標指向のインタラクションタスクを含んでいる。
• 参考スコア（独自算出の注目度）: 17.263377998800554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent vision-language models (VLMs) have shown promising progress in generating webpages from visual inputs, yet existing evaluations mainly focus on short, single-screen, and largely static webpages. We introduce LongWebBench, a benchmark for evaluating long-horizon webpage generation from both structural and functional perspectives. LongWebBench contains 490 real-world long webpages for structural fidelity evaluation and 507 goal-oriented interaction tasks over 129 webpages for functional evaluation. It employs two complementary protocols: a multi-dimensional VLM-based metric for assessing long-range structural coherence, and a DOM-augmented agent-based pipeline for end-to-end functional verification. We further examine the automatic evaluation protocols through human agreement analysis. Experiments with state-of-the-art open-source and proprietary VLMs under single-image and multi-image settings reveal that structural fidelity degrades as webpage length increases, while visually plausible generations often fail to support executable multi-step interactions. These results highlight the need to evaluate long webpage generation beyond visual similarity, with executable interaction as a core criterion. Our code and data are available at https://github.com/zheny2751-dotcom/LongWebBench.
• Abstract（参考訳）: 最近の視覚言語モデル(VLM)は、視覚入力からWebページを生成する上で有望な進歩を示しているが、既存の評価は主にショート、シングルスクリーン、主に静的なWebページに焦点を当てている。 構造的および機能的両面から長水平Webページ生成を評価するベンチマークであるLongWebBenchを紹介する。 LongWebBenchには、構造的忠実度評価のための490の現実世界のウェブページと、機能評価のための129のWebページ上の507の目標指向のインタラクションタスクが含まれている。 長期構造コヒーレンスを評価するための多次元VLMベースのメトリックと、エンドツーエンド機能検証のためのDOM拡張エージェントベースのパイプラインの2つの補完プロトコルを採用している。 また,人的合意分析による自動評価プロトコルについても検討する。 シングルイメージおよびマルチイメージ設定下での最先端のオープンソースおよびプロプライエタリなVLMによる実験では、構造的忠実度はWebページの長さが増加するにつれて低下するが、視覚的にもっともらしい世代は実行可能なマルチステップインタラクションをサポートしないことが多い。 これらの結果は、視覚的類似性を超えた長いWebページ生成を、コア基準として実行可能なインタラクションで評価する必要性を浮き彫りにする。 私たちのコードとデータはhttps://github.com/zheny2751-dotcom/LongWebBench.orgで公開されています。

関連論文リスト

• Benchmarking Multimodal LLMs on Code Generation for Complex Interactive Webpages [22.804937497354754]
  複雑なインタラクションを伴う対話型Webページのコード生成を評価する最初のベンチマークであるWebIGBenchを紹介する。 手動で設計したインタラクションパスとUI自動化を組み合わせることで、現実世界のWebサイトから103の複雑なWebページを収集しました。 このベンチマークは、851の異なるインタラクティブアクションを含む5つの一般的なインタラクティブアクションタイプ(例えば、クリック、入力)をカバーする。
  論文  参考訳（メタデータ） (2026-05-29T05:45:50Z)
• GTA: Generating Long-Horizon Tasks for Web Agents at Scale [82.43869456830664]
  我々は、クローリング、検索ベースのシード、コンテキスト内生成、自動品質管理を統合したスケーラブルなフレームワーク、GTAを導入する。 eコマース、政府、フォーラム、ニュースをカバーする50以上のウェブサイトでパイプラインをインスタンス化し、マルチリンガルとマルチホップをカバーしています。 i) マルチホップWebエージェントタスク生成の形式化、(ii) 自動データ生成のための効率的で検証されたパイプラインの提案、(iii) 再現可能な評価を伴う動的ベンチマークのリリースである。
  論文  参考訳（メタデータ） (2026-05-28T01:05:50Z)
• GEBench: Benchmarking Image Generation Models as GUI Environments [49.513441724802135]
  GUI生成における動的相互作用と時間的コヒーレンスを評価するためのベンチマークであるGEBenchを紹介する。 GE-Scoreは、ゴール達成、インタラクションロジック、コンテンツ一貫性、UIの可視性、視覚品質を評価する新しい5次元メトリックである。 そこで本研究では,アイコンの解釈,テキストレンダリング,局所化精度を重要なボトルネックとして認識した。
  論文  参考訳（メタデータ） (2026-02-09T18:52:02Z)
• WebRenderBench: Enhancing Web Interface Generation through Layout-Style Consistency and Reinforcement Learning [24.178675410636135]
  実世界のポータルサイトから収集した45.1kのWebページの大規模なベンチマークを示す。 また、最終レンダリングページからレイアウトとスタイルの整合性を測定する新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2025-10-05T08:47:39Z)
• IWR-Bench: Can LVLMs reconstruct interactive webpage from a user interaction video? [56.33950760097989]
  IWR-Benchは、ビデオからインタラクティブなWebページ再構築におけるLVLM(Large Vision-Language Models)の機能を評価するための新しいベンチマークである。 IWR-Benchは100の現実世界のウェブサイトから1,001のアクションで1,3の精巧にキュレートされたタスクで構成されている。 このベンチマークは、ビデオとアセットからインタラクションロジックを推論する包括的なマルチモーダル推論と、このロジックを関数コードに変換するための高度なコード生成という、2つの基本的な課題に関するモデルを評価する。
  論文  参考訳（メタデータ） (2025-09-29T12:38:06Z)
• ArtifactsBench: Bridging the Visual-Interactive Gap in LLM Code Generation Evaluation [51.297873393639456]
  ArtifactsBenchは自動ビジュアルコード生成評価のためのフレームワークである。 我々のフレームワークは、生成した各アーティファクトをレンダリングし、時間的スクリーンショットを通してその動的な振る舞いをキャプチャする。 我々は1,825の多様なタスクの新しいベンチマークを構築し、30以上の主要な大規模言語モデルを評価する。
  論文  参考訳（メタデータ） (2025-07-07T12:53:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。