Subframe 联合创始人 Adam Ginzberg 在 Hacker News 上发布了一款名为 Real Design Benchmark 的测试游戏，旨在评估大语言模型在 UI 设计这类主观领域的表现。该工具将同一界面的两个版本并排展示，其中一个由 AI 生成，另一个来自真实产品，邀请用户先选择更喜欢的设计，再判断哪个是 AI 生成的。

发生了什么

据 Ginzberg 介绍，他构建这个游戏是出于对 LLM 在主观设计领域性能的好奇。测试并非从零开始生成界面，而是模拟真实设计工作流程：AI 会接收到现有产品的四张截图、产品图标与字体，以及一份关于目标界面的书面需求说明，随后生成 HTML，并以与真实屏幕相同的方式截图。

为了收集数据，团队使用测试账户注册了这些产品，并添加了虚拟数据。所有输入都经过人工检查，确保提示中不包含目标屏幕的任何泄漏信息。详细方法可在 Real Design Benchmark 网站上查阅。

在收到数千次提交后，结果出人意料：57% 的用户更喜欢 AI 生成的设计，33% 更喜欢真实产品设计，10% 认为两者差不多。同时，用户识别 AI 设计的准确率仅为 59%。

为什么重要

这一实验提供了关于 LLM 在主观设计任务中表现的直接数据。传统上，设计质量难以量化，而该基准通过人类偏好和识别准确率两个维度，给出了可参考的指标。结果表明，AI 生成的设计在部分场景下不仅难以被识别，甚至更受青睐，这可能对设计工具和产品团队的流程产生影响。

Ginzberg 表示，初始结果全部基于 Opus 5.5（中等投入）生成，并在近期新增了 GPT-6.1 Sol（中等投入）作为对比。他欢迎社区对方法提出反馈，或建议下一步的改进方向。

来源：Show HN: Real Design Benchmark – can you tell AI designs fro…（发布于 2026-10-15）