测试集:QwenWebDev

名称	QwenWebDev
类别	coding
主办方	阿里 Qwen 团队（内部基准，随 Qwen3.7-Plus 于 2026 年中披露）
开源状态	closed
网址	[ 官方页面]

qwenwebdev中英双语网页生成、7 类任务、自动渲染 + 多模态裁判、Elo 等级分、厂商内部基准

测试集content/benchmarks/qwenwebdev.md

一句话

Qwen 内部的中英双语网页生成打榜，Elo 定高下

测什么

Qwen 团队自建的内部前端代码生成基准，测模型「一句话生成网页」的综合质量。覆盖中英双语任务，分 7 个类别：网页设计、Web 应用、游戏、SVG、数据可视化、动画和 3D。它不只看代码能不能跑，还看做出来的东西好不好看、像不像样，因此采用「自动渲染 + 多模态裁判」的评法——把模型生成的页面真实渲染出来，让多模态模型连代码带画面一起评判。

怎么测

评测产出类 Elo 的 BT 评分：模型两两生成的网页被渲染后由多模态 judge 对比裁决，胜负累积成 Elo 分数，分数越高代表综合前端能力越强。整套任务、裁判 prompt 和原始数据均未公开，外界只能看到 Qwen 发布新模型时顺带披露的对比数字。

典型任务

按类别可以想象典型任务：给一个中文或英文需求，比如「做一个带图表的销售数据看板」「写一个贪吃蛇小游戏」「生成一段加载动画」，模型要直接产出可运行的前端页面。裁判环节会把页面真实渲染成截图，多模态模型同时看代码和渲染效果，判断谁的页面功能更完整、视觉更精致。

分数怎么看

分数是 Elo 量级而非百分比，只能相对比较：Qwen3.7-Plus 发布时报 1617 分，第三方追踪站收录的 Qwen3.7 Max 为 1568、Qwen3.6-27B 为 1487。分差比绝对值更有意义——同一口径下高出几十上百分，说明生成质量有可感知的差距。

含金量与局限

典型的厂商内部基准：无独立页面、无公开数据、无第三方复核，裁判模型和对比阵容都由 Qwen 自己定，各代数字只在自家发布语境里可比。注意别与 Qwen Chat 产品里的「Qwen Web Dev」功能混为一谈；它还有个姐妹基准 QwenSVG（SVG 生成）。第三方站上出现的 QwenWebBench 等写法指的是同一个东西。

冷知识

它本质是「网页比美大赛」：Elo 计分意味着没有绝对对错，模型两两生成同一需求的页面，由多模态裁判看渲染效果判胜负、累积等级分。它还有张专考 SVG 生成的「姐妹卷」QwenSVG。最容易搞混的是：Qwen Chat 产品里有个面向用户的「Qwen Web Dev」功能，和这张内部考卷只是同名。

数据来源

本页由仓库 content/benchmarks/qwenwebdev.md 初始化。后续修订通过公开审核队列发布。