当提示词要求“生成一只骑自行车的鹈鹕的SVG图像”时，各大语言模型输出的结果往往惊人相似。这种现象揭示了目前鲜少被关注的“大语言模型多样性崩溃”问题。

针对这一现象，研究团队在关于大语言模型创造力的研究中，对UI设计领域的多样性崩溃进行了基准测试，并正式推出“设计创造力基准”（Design Creativity Bench）。该基准旨在评估AI模型在UI设计任务中的创造力，将其确立为前沿模型能力的可衡量维度。

前沿模型仍难企及人类设计师

尽管AI在生成功能性网站和产品用户界面方面的能力迅速提升，但在做出创造性设计决策方面仍面临显著困难。测试涵盖16款前沿模型，涉及80个开放式UI任务，每个任务适配两个不同的产品领域，并引入人类设计师作为参考对照。

与仅衡量单一输出质量指标的现有UI基准不同，新基准从三个维度衡量设计创造力：

  • 原创性：模型设计与同一需求下其他模型输出的差异程度；
  • 创意范围：产品领域变化时，模型调整设计决策的程度；
  • 适宜性：生成界面满足功能性要求的程度。

设计创造力基准测试排名

测试结果显示，AI模型与人类在设计创造力上存在巨大差距。人类参考得分为92.3，而表现最好的模型OpenAI GPT-6 Astra得分仅为65.5。具体排名如下：

01. GPT-6 Astra：65.5
02. GPT-6.1 Sol：63.7
03. Grok 4.7：62.2
04. Gemini 3.8 Flash：60.6

目前，完整的排行榜、方法论以及可复现的评估框架已对外发布。