LLM 视觉评审评分波动与缺陷检测研究

研究人员构建将 Figma 设计转为 React 组件并由多模态 LLM 打分的管线，通过植入 font-semibold 改 font-normal 等固定缺陷，测试模型评分稳定性。实验采用 gpt-6.1-sol 与 gpt-5.6-terra 两种模型，前者在高投入模式下评分波动区间为 0.92–0.96，后者在中等投入下为 0.95–0.99，两组均 8/8 通过。 结果显示，尽管评审模型能识别所有植入缺陷（分数均下降），但 0.85 的评分门限无法可靠区分正常与有缺陷的渲染，仅在 10 次运行中的 4 次触发了门禁失败。研究建议将门限提高至 0.88，并引入 Cloudflare Clef 的二元检查机制，以提升验证的准确性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。