论文页面 - PlayCoder：让 LLM 生成的 GUI 代码可运行

来源：https://huggingface.co/papers/2604.19742

摘要

大语言模型在生成逻辑正确的 GUI 应用方面表现不佳，为此我们提出 PlayEval 基准和 PlayCoder 框架，通过多智能体迭代修复提升功能正确性。

大语言模型（https://huggingface.co/papers?q=Large%20language%20models）（LLM）在代码生成（https://huggingface.co/papers?q=code%20generation）任务上成绩斐然，但生成 GUI 应用（https://huggingface.co/papers?q=GUI%20applications）——尤其是游戏——的能力仍缺乏系统研究。现有基准主要依赖测试用例评判正确性，这对交互式、事件驱动的 GUI 系统并不适用，因为后者需要在一系列用户操作下保持状态转移正确，评估时必须关注交互流程与 UI 逻辑，而非简单的通过/失败。为此，我们推出 PlayEval（https://huggingface.co/papers?q=PlayEval），一个基于真实仓库的多语言 GUI 应用基准，涵盖 43 个 Python、TypeScript 与 JavaScript 项目。与难以迁移到桌面环境的旧 GUI 基准不同，PlayEval 覆盖六大 GUI 应用类别，可直接用于代码生成评估。我们进一步提出 Play@k（https://huggingface.co/papers?q=Play%40k）指标，衡量在 k 个候选中是否至少有一个能端到端运行且无逻辑错误。为可靠评估，我们开发 PlayTester（https://huggingface.co/papers?q=PlayTester），一个基于 LLM 的智能体，可定向遍历 GUI 并自动发现逻辑违规。在 10 个前沿代码 LLM 上的实验显示：尽管编译通过率很高，Play@3 却接近 0，暴露出模型在生成逻辑正确 GUI 应用上的重大缺陷。为此，我们提出 PlayCoder，一个多智能体、仓库感知的闭环框架，持续生成、评估并迭代修复 GUI 应用代码。PlayCoder 显著提升开源与闭源模型的功能正确性与语义对齐度，Exec@3 最高达 38.1%，Play@3 达 20.3%。案例研究进一步表明，它能发现传统指标遗漏的静默逻辑 bug，并通过针对性编辑予以修复。

查看 arXiv 页面（https://arxiv.org/abs/2604.19742）
查看 PDF（https://arxiv.org/pdf/2604.19742）
项目页面（https://arxiv.org/abs/2604.19742）
GitHub（https://github.com/Tencent/PlayCoder）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.19742）

在智能体中获取本文：

hf papers read 2604.19742

还没装最新 CLI？
curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型 0

暂无模型链接该论文

在模型 README.md 中引用 arxiv.org/abs/2604.19742，即可在此页面显示链接。

引用该论文的数据集 0

暂无数据集链接该论文

在数据集 README.md 中引用 arxiv.org/abs/2604.19742，即可在此页面显示链接。

引用该论文的 Spaces 0

暂无 Space 链接该论文

在 Space README.md 中引用 arxiv.org/abs/2604.19742，即可在此页面显示链接。

收录该论文的精选集 0

暂无精选集收录该论文

创建精选集 并添加该论文，即可在此页面显示链接。