Meta与高校联合推出FronTalk，首个真实模拟前端协作流程的基准。它通过多轮对话与视觉反馈任务，揭示了当前大模型在代码生成中严重遗忘功能、无法理解视觉反馈等致命缺陷，为评估AI编程能力提供了全新视角。
智能速览
FronTalk将前端开发建模为多轮对话与视觉反馈结合的代码生成任务。
数据集包含100个多轮对话、总计1000轮交互及3676个测试用例。
测试发现某些模型在多轮修改中的遗忘率高达46%。
现有模型常只复刻UI布局却忽略底层交互逻辑或功能实现。
提出的AceCoder方案通过自动化QA监督机制，显著降低遗忘率。
精华内容
真实的前端开发并非一次性生成代码，而是基于反馈的反复迭代。FronTalk正是基于这一现实，对主流模型进行了严苛测试，结果令人深思。
真实场景模拟
FronTalk不再局限于单次代码生成，而是将前端开发还原为包含文本指令与视觉反馈的闭环流程。数据集采集自真实网站任务，涵盖100个多轮对话和1000轮交互。这种设计迫使模型像人类开发者一样，在不断的修改和对齐预期中完成任务，而非仅仅写出一个静态页面。
遗忘现象严重
评测结果揭示了当前大模型的一个致命弱点：在实现新需求时，往往会覆盖掉之前已经写好的功能。数据显示，某些模型的遗忘率竟高达46%。这种“捡了芝麻丢了西瓜”的行为，对于追求功能完整性的前端开发而言，无疑是灾难级的体验。
视觉理解短板
相比文本反馈，视觉反馈对模型构成了巨大挑战。测试中，模型经常出现“只懂皮毛”的现象：能够完美复刻UI布局，但底层的交互逻辑却完全未实现，或者视觉效果正确但功能逻辑错误。这证明了目前的视觉语言模型（VLM）并不等同于具备实际前端开发能力。
能力与可用性偏差
研究还发现模型强弱与实际可用性并不完全挂钩。弱模型因基础功能缺失而直接不可用，强模型虽能跑通功能，却常在设计细节和隐性常识上翻车。这说明前端开发不仅是代码能力的体现，更依赖于对隐性设计原则的把握以及开发过程的一致性维护。
引入Agent约束
针对遗忘问题，研究提出了AceCoder解决方案。其核心在于引入一个类似自动化QA的Agent，在代码生成后自动运行页面并检查新需求及旧功能的完整性，将发现的问题补充进下一轮指令。实验表明，这种方法在文本反馈场景下将通过率最高提升了9.3%，显著降低了遗忘率。
FronTalk的推出打破了“大模型能写代码就能做前端”的幻想，指出了多轮迭代中的一致性维护才是关键挑战。AceCoder的尝试也证明了引入外部约束的必要性。未来，AI能否真正成为合格的“前端工程师”，仍需在这些细节上持续打磨。
