EvoWeb基准发布：评估编码智能体在持续演进Web应用上的表现

一句话看懂：Hugging Face Papers 收录的论文摘要提出 EvoWeb 基准，用 320 个累积需求测试编码智能体在持续修改同一 Web 应用时的可靠性，而不只看它能否一次性满足固定规格。

事件核心：发生了什么

根据 2026 年 10 月 12 日公开的论文摘要，EvoWeb 包含 32 个 Web 应用上的 320 个累积请求，请求基于真实产品功能设计，并按功能依赖关系组织成图。智能体需要在一个持续存在的代码库上迭代修改；同时，一个多模态网页智能体在实时浏览器中测试每个中间版本，检查新功能、跨请求集成以及此前已实现功能是否仍然正常。摘要还提到，评估不设固定停止条件，而是按用户容忍阈值统计轨迹表现。目前公开信息仅为摘要，未核验全文实验细节，也不代表已上线产品或通过同行评审。

为什么重要

现有 Web 生成基准大多面向固定规格，而真实开发往往是一连串增量需求。EvoWeb 把评测重心从“单次生成质量”推向“长周期、多请求下的持续可靠性”，这让编码智能体的能力差异更容易暴露。摘要称，在开放与闭源前沿模型上的实验显示出明显性能差距，跨请求集成是关键挑战；后续依赖更深或更多的请求准确率更低，运行时错误也随请求推进而增多。这为智能体的训练、推理和产品选型提供了更贴近实际开发的测试维度。

对用户/开发者/创作者的影响

对开发者而言，这意味着评估编码助手时不能只看单轮演示，还要关注它在连续修改、回归测试和依赖管理上的稳定性。对企业采购方，类似基准有助于区分模型在长任务中的可靠性，但目前结论仅限摘要所述实验条件，不宜直接当作永久排名。对使用 AI 辅助建站的创作者，值得留意的是跨请求集成和运行时错误，这两类问题往往比“能不能生成页面”更影响交付。