测试集:WebDev Arena

名称	WebDev Arena
类别	arena
主办方	LMArena，2024-12 上线（web.lmarena.ai），与 E2B 合作提供运行沙箱
开源状态	partial
网址	官方页面

webdev-arena一句话需求生成完整可交互网页应用、E2B 沙箱实际运行，用户上手体验后盲投、统一 React + TypeScript + Tailwind 技术栈、Bradley-Terry 拟合 Elo（同母站方法论）、只测一发入魂的前端小应用，不测大型工程输入值为“一句话需求生成完整可交互网页应用、E2B 沙箱实际运行，用户上手体验后盲投、统一 React + TypeScript + Tailwind 技术栈、Bradley-Terry 拟合 Elo（同母站方法论）、只测一发入魂的前端小应用，不测大型工程”的属性“特征”（作为页面类型）含有无效字符或不完整，因此会在查询或注解过程中导致预期外结果。

测试集content/benchmarks/webdev-arena.md

一句话

同一句话，两模型各做一个网页应用，你投好用的那个

测什么

LMArena 旗下专攻网页开发的编程子榜：测的不是算法题，而是「一句话需求做出一个能跑的完整网页应用」。官方认为 HumanEval 这类传统编程榜只测孤立函数，而真实开发还包括 UI 生成、依赖处理和完整应用结构。参赛模型被统一设定为「资深前端 React 工程师 + 优秀 UI/UX 设计师」，用 React + TypeScript + Tailwind 出活。本站把它单列成条目，但口径上它是 LMArena 的子榜。

怎么测

用户提交需求，两个匿名模型各自现场生成完整网页应用并在沙箱中实际运行，用户可以与两个成品真实交互——点开页面、按按钮、玩一玩——然后盲投更好的一方（可投平局）。投票按 Bradley-Terry 模型拟合成 Elo 排名。上线初期统计约 6.1 万票、平局率 26%；官方博客 2025-03 更新时称已收集超 8 万票。

典型任务

官方博客给的典型任务：「做一个 Hacker News 克隆」「搭一个能玩的国际象棋游戏」，社区里流行的还有「克隆 Notion 主页」「做个计算器」「设计一个简洁的电商首页」「生成 Twitter 个人主页布局」。模型交的不是代码片段而是能交互的成品：象棋要能真的走子吃子，计算器按了要真出数——用户上手玩两把，谁做得扎实立刻见分晓。

分数怎么看

读法和主榜一样是 Elo 相对分，但样本量小得多，分差更难拉开——早期平局率约 26% 就说明多数任务里头部模型旗鼓相当。官方博客 2025 年初的快照里 Claude 3.7 Sonnet 以约 76% 平均胜率居首，此后排名随新模型发布持续洗牌。它与文本总榜排名并不完全同步，写代码好看的模型未必聊天讨喜。

含金量与局限

只测「一发入魂的前端小应用」，不测大型工程、后端逻辑、调试协作这些真实开发的大头；投票者以开发者玩家为主，不等于生产环境验收标准。交互成品比纯代码更难糊弄（样式再好看，按钮点不动立刻露馅），这是它相对普通编程榜的独特价值，但别把它的排名当成「编程能力总排名」。

冷知识

早期约每四票就有一票是「平局」——做个计算器、克隆个知名网站主页这类题，头部模型都能做到八九不离十，用户上手玩一圈也常分不出高下。26% 的平局率本身就是「前端小应用正在同质化」的注脚。

数据来源

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