一张UI截图丢进去，AI能不能直接吐出能跑的HTML和CSS？Arena.ai上线了Image-to-WebDev Arena，专门测这件事。它评估的是视觉-语言模型解读界面截图、并生成对应网页代码的能力。

这个基准到底在测什么

按Arena.ai的说法，这个基准针对的是多模态模型的一项具体能力：把静态的UI图片，转换成可操作的网页。不是识别图里有什么，而是把图里的界面还原成代码。

评估对象是视觉-语言模型。输入是UI截图，输出是HTML/CSS代码，中间没有人工翻译环节。

排行榜和一次演示

帖子宣布了Image-to-WebDev Arena的上线，同时给出了排行榜链接。榜单之外，还展示了Gemma 4模型对一张测试图像中各种UI元素的解读表现。

演示的重点落在"解读"上——模型看图之后，对界面元素的识别和还原结果被摆了出来。这是这个基准想量化的东西：模型到底看懂了多少。

为什么值得看一眼

UI截图转代码，是设计稿到实现之间最耗人力的环节之一。如果模型能稳定完成这一步，前端工作流里的一段重复劳动就有了替代方案。

但能不能替代，取决于测出来的分数。Image-to-WebDev Arena给出的就是这把尺子：同一张截图，不同模型生成的代码质量差多少，排行榜上见。

目前公开的信息集中在基准上线、排行榜入口和Gemma 4的演示表现上。榜单会怎么排，还得看后续数据。