评测 AI 的审美，最蠢的办法就是给审美打分。 代码能不能跑通，脚本说了算；页面丑不丑，只有人的眼睛说了算。 最近有个哥们被一个问题折磨坏了：不同大模型写前… · @tvytlx · TwKit

@tvytlx

评测 AI 的审美，最蠢的办法就是给审美打分。 代码能不能跑通，脚本说了算；页面丑不丑，只有人的眼睛说了算。 最近有个哥们被一个问题折磨坏了：不同大模型写前端，到底有没有自己固定的设计品味？换模型和换设计 Skill，哪个对结果影响更大？ 为了搞清楚这事，他干脆搭了个叫 UIPalooza 的对照实验室。 做法特别硬核。 他选了 5 个主流模型和 6 套热门设计 Skill 拉成网格，全部丢进隔离的 Claude Code、Codex 和 Lunaroute 环境里跑同一份需求。单次生成直接给足 30 分钟、120 轮高推理强度的预算。 我看完他的实验设计，觉得里面有两个思路真把 AI 做设计的底层逻辑摸透了。 平时我们嫌 AI 画的网页有一股廉价塑料味，其实测出来的只是模型的“默认惰性”。 大模型生成本来就有随机性，跑一次根本看不出深浅。 所以这哥们每次先独立跑两个基准版（Baseline A 和 B），看模型默认状态下的真实水平和摇摆幅度。 接着最妙的一步来了。 他把 A 和 B 的设计描述整理出来，喂给第三次任务，强行要求模型换个完全不同的方向（Alternative），另外还单开了一个不看前作的激进实验模式（Whacky）。 我觉得这招简直是平时用 Agent 写前端的破局范本。 很多时候模型看着没审美，纯粹是因为它在偷懒取平均值。你得先把它的默认套路逼出来，再用文字描述把那条路堵死，才能测出它真正的审美跨度。 另一个让我很服气的点，是他坚持“只做检查，不编造分数”。 自动化脚本只用来测浏览器交互和无障碍访问，保证东西真能用。 至于好不好看，一分都不打，直接把桌面端和移动端的真实网页摆在矩阵里，让你自己挑。 现在满大街都是拿 AI 给 AI 打分的排行榜，看着全是精确到小数点的数字，真到干活时一点参考价值都没有。把控制变量做好、把真实产物摊开，比什么神仙榜单都管用。 我准备先把这哥们的网格存下来当免责声明。以后我搓出来的界面要是再被朋友吐槽像十年前的机房后台，我就把锅全甩给排列组合，说这是我为了探索 AI 审美边界特意抽出来的实验分支。 https://news.ycombinator.com/item?id=50238943

曝光 193 · 评论 2 · 点赞 1 · 书签 0