开源前端AI代码基准OpenVibeEval

我们见过太多基准测试图表，上面显示 AI 模型在编程考试中胜过人类开发者。但任何前端工程师都知道，通过一道 LeetCode 算法题和构建一个真正能在浏览器里跑起来的、生产级的 Web Audio Sequencer 或 Dark Analytics Dashboard，完全是两回事。

正因如此，我构建了 OpenVibeEval——一个开源的、社区驱动的基准测试，专门评估 LLM 构建单文件前端界面的能力。

🏗️ 现状问题：标准基准测试不渲染代码

大多数编程基准测试（如 HumanEval）只评估原始 Python 脚本或终端逻辑。它们完全忽略了真实前端的实际状况：

视觉完整性：布局是否真正能渲染出来？CSS 是否会在移动端视口上溢出并导致布局崩坏？

无障碍合规：生成的代码对屏幕阅读器是否可用？是否有有效的语义地标，以及通过 axe-core 自动评分验证的 WCAG 2.1 对比度？

Agent Harness 差异：系统提示词包装器（如 Claude Code、Cline、ZCode、OpenCode）对最终输出有多大的影响？

在 OpenVibeEval，每个模型都会经过标准化的零样本流水线。输出在沙箱化的 iframe 中渲染，并同时接受视觉保真度和无障碍合规性的审计。

🕵️ 0x-Alpha 溯源调查

为了展示这个数据集的能力，我们最近对 0x-Alpha 进行了一次 forensic audit。0x-Alpha 是一个匿名神秘模型，出现在 OpenCode 上。

通过将其前端代码模式和 API 行为与我们 200+ 次运行记录组成的数据库进行比对，我们揭开了它的身世：

44/44 Tokenizer 匹配：完全相同的 token 边界行为。

Error 1210 特征码：与 Zhipu AI API 匹配的基础设施错误码。

结论：0x-Alpha 几乎可以确定是 GLM-5 模型家族的变体。

👉 点击这里阅读完整的溯源报告：OpenVibeEval Model Report

🚀 OpenVibeEval 的核心特性

OpenVibeEval 不只是一张静态的分数表。它是面向开发者的交互式沙箱：

1. 盲测竞技场（成对品味测试）

可以把它想象成"前端版的 LMSYS Chatbot Arena"。你并排查看两个渲染好的 UI 构建产物，测试它们的交互效果，然后在模型身份揭晓之前，把"AI SLOP"印章狠狠盖在较弱的那一个上面。

2. 受控 Harness 比较器

我们最惊人的发现之一：agent harness 的重要性不亚于底层模型。我们见过同一个模型、同一套提示词，仅仅因为换了 harness 包装指令，无障碍分数就从 0% 飙到 98%。

3. 交互式实时沙箱

我们数据集中每一次运行记录，都可以在桌面端/移动端实时预览中查看。不再需要去猜测一个抽象的"分数：85"实际上长什么样。

🛠️ 如何参与

我们才刚起步，希望社区一起来绘制 AI 前端领域的全景图：

🥊 在竞技场投票：帮我们达到 30 票的门槛，解锁每个提示词的社区胜率排行榜。

⚙️ 提交 Harness：如果你有一个自定义的系统提示词或 agent 包装器，能让模型输出更干净的 Tailwind 或 React 代码？提交给基准测试！

🔍 审计数据：所有评估运行记录和方法论公式 100% 开放透明。

查看排行榜并投下一票 ➔

如需进一步行动，你可以考虑屏蔽此人或举报滥用行为