Jiajun Wu, Jian Yang, Yaxin Du, Shukai Liu, Linzheng Chai, Tuney Zheng, Wei Zhang, Haitao Yang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31118 · open-access PDF
Các đại lý mã hóa Frontend thường được xếp hạng theo một câu hỏi: liệu mục tiêu được yêu cầu có được xây dựng không. Thay đổi kỹ thuật thực sự mang một nghĩa vụ thứ hai, bởi vì phần còn lại của trang web phải tiếp tục làm việc. Chúng tôi gọi đó là sự liên tục của trang web nghĩa vụ thứ hai, và giới thiệu ProductWebBench, một tiêu chuẩn ghi điểm cả trên các kho lưu trữ frontend sống: 320 thay đổi nhiệm vụ trên mã hiện có và 80 nhiệm vụ xây dựng chân trời dài. Mỗi nhiệm vụ đóng băng một snapshot kho lưu trữ, yêu cầu giai đoạn, bằng chứng trình duyệt và kiểm tra xác định trước khi đánh giá, và chỉ đi vào một khi một tham chiếu vượt qua mọi kiểm tra và đáng tin cậy
Machine translation (Meta M2M100); the English original follows.
Frontend coding agents are usually graded on one question: did the requested target get built. Real engineering changes carry a second obligation, because the rest of the site has to keep working. We call that second obligation website continuity, and introduce ProductWebBench, a benchmark that scores both on living frontend repositories: 320 Change tasks over existing code and 80 long-horizon Build tasks. Every task freezes a repository snapshot, staged requirements, browser evidence and deterministic checks before evaluation, and enters only once a reference passes every check and plausible-
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31118, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange