一句话看懂：arXiv 新论文 ScreenProof 尝试让模型在没有任何设计稿或参考图的情况下，直接在截图上框出 UI 缺陷；其训练的 Qwen3.5-9B 小模型 ProofJudge 在摘要报告的评测中拿到最高 F1 0.48，并把干净页面的误报压到 2% 左右，但整体仍远未达到可放心自动审核的水平。
事件核心：发生了什么
2026 年 11 月 10 日发布于 arXiv cs.AI 的论文摘要提出 ScreenProof 任务：给定一张手机截图，不提供目标设计稿和参考图，要求模型找出“不需要对照就能判断”的界面错误，例如文字跑出屏幕、字母粘连、换行断在错误位置、圆角按钮中混入一个尖角按钮。任务覆盖通用缺陷、局部风格缺陷和文字排版缺陷三类。
作者用数据引擎在页面代码中人为注入错误，并记录被改动元素的边框；同时构造“困难负样本”，让多个同级元素一起变化，避免模型靠找差异蒙混。摘要称，前沿模型作为评审并不可靠：在干净真实截图上误报率 18%–62%，干净生成页面上为 18%–82%；文字排版缺陷仅找到 47%–72%，陌生图标类问题只有 5%–19%。
作者训练的 ProofJudge 基于 Qwen3.5-9B 加 LoRA，只在置信时输出发现，摘要报告 F1 0.48，高于 Gemini 4 Argon 的 0.37 和开源模型最高 0.15；干净页面误报在 15% 以内（真实页面 2%、生成页面 9%），成本约为 Argon 的百分之一。不过其局部风格缺陷召回率 25%，低于 Argon 的 41%。目前公开信息仅为论文摘要，全文实验与产品化情况尚未核验。
为什么重要
AI 生成页面的速度正在超过人工评审速度，行业缺的不是“再生成一版”，而是便宜、能自我克制的一轮初筛。ScreenProof 把评价标准从“像不像设计稿”改成“页面自身是否自洽”，这更接近真实审核场景，也降低了对参考图的依赖。ProofJudge 用 9B 级模型在特定任务上超过闭源前沿模型，说明小而专的评审模型在成本敏感环节有空间；但低召回和高误报边界也提醒，它更适合当“第一道过滤器”，而不是最终裁决者。
对用户/开发者/创作者的影响
对开发者和设计工具团队，这类能力可先用于生成页面、低代码搭建和 UI 自动化测试的初筛，减少人工逐页检查。对内容创作者和产品团队，摘要中的数据说明“无参考评审”仍会漏掉不少风格和排版问题，不能替代设计师终审。若未来以 API 形式开放，按调用成本计算，它可能比调用大型闭源评审模型更划算，但需要为误报和漏报设置人工复核流程。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文是否披露更完整的评测集、真实截图来源和误报统计口径；二是 ProofJudge 是否会开源模型权重或提供可调用接口；三是 Gemini 等闭源模型如果专门优化“无参考找错”，当前对比格局可能变化；四是这类评审若进入生产流程，误报率能否稳定控制在可接受范围。
来源：arXiv cs.AI
