Frontier AI 模型在 UI 设计创意上仍显著落后于人类设计师

Dipanjan Dey 团队发布 Design Creativity Bench，评估了 16 个前沿模型在 80 个开放式 UI 任务中的表现，结果显示即使是最优秀的模型 GPT-6 Astra，其创意得分仅为 65.5，远低于人类参考值的 92.3。该基准突破了传统单一输出质量指标的局限，从原创性、创意范围和适用性三个维度衡量模型的设计决策能力。

评测框架包含开源数据集和可复现代码，要求模型针对两个不同产品领域生成设计，并对比人类设计师参考方案。原创性衡量模型输出与其他模型输出的区分度，创意范围考察模型随产品领域变化调整设计决策的能力，适用性则评估 UI 是否满足功能需求。现有主流基准往往只关注功能实现或视觉美观，未能捕捉设计过程中的创造性思维差异。

事实层面确认了当前模型在功能性网站生成上已较成熟，但在需要主观判断和风格创新的 UI 设计环节仍存在明显短板。推断认为，这反映了模型在缺乏明确约束下的泛化能力不足，而非单纯的技术缺陷。猜测未来若要在设计辅助领域取得突破，可能需要引入更多人类反馈机制或专门针对创意生成的训练策略，但这尚未在文中得到证实。