ИИ создаёт интерфейсы по заданию, но делает похожие решения

Препринт, ещё не рецензирован · ранние данные

Кратко

В тесте 15 ведущих ИИ-моделей более 90% созданных интерфейсов соответствовали требованиям задания; лучшая модель достигла 99,2%. При этом оригинальность работ составила 0,592 против 0,764 у человеческих работ, а изменение решений между двумя заданиями для одной цели интерфейса — 0,581 против 0,902. Авторы предлагают тест, который отдельно измеряет соответствие заданию и разнообразие дизайна.

Зачем это знать?

Выполнение требований не гарантирует разнообразия решений: модели справлялись с заданиями, но их интерфейсы были заметно более похожими, чем человеческие работы. Вывод относится только к проверенным моделям, задачам и настройкам генерации.

Разбор

Авторы собрали специальный тест для интерфейсов: одна часть заданий проверяла, насколько дизайн отвечает требованиям брифа, а другая — насколько он отличается от других решений. Для этого 15 моделей сделали по 160 интерфейсов: всего получилось 2400 работ на 80 заданиях. Отдельно проверяли и «творческий диапазон»: модель получала два задания с одной и той же целью, но для разных продуктовых областей, и исследователи смотрели, меняется ли дизайн вместе с контекстом.

Чтобы сравнение с людьми было честнее, дизайнеры тоже выполняли эти брифы и могли пользоваться открытыми библиотеками вдохновения вроде Behance и Kombai Gallery. Это не попытка заставить людей работать без реальных инструментов: в обычной практике дизайнеры тоже опираются на примеры. Сходство работ оценивали по числовым представлениям изображений и интерфейсов — так называют способ превратить дизайн в набор признаков, который можно сравнивать. Этот способ заранее сверили с человеческими оценками: он достаточно хорошо совпадал с тем, какие пары люди считали похожими.

Дополнительный результат — «самобытность» и широта вариаций оказались разными свойствами. Например, GPT-6 Astra чаще выдавала решения, непохожие на работы других моделей, но при смене продуктовой области менялась мало. То есть у модели может быть узнаваемый стиль, но при этом узкий набор приёмов. В целом ни одна проверенная модель не приблизилась к человеческому уровню разнообразия: даже лучшая по отдельному показателю отставала от людей, хотя по выполнению требований модели были сопоставимы с ними.

Ключевые цифры

2 400 интерфейсовТакой объём работ позволил сравнивать не отдельные удачные примеры, а устойчивые особенности моделей.

80 заданийМодели проверяли на разных брифах, а не на одной повторяющейся задаче.

AUC 0,87 и 0,85Автоматическая оценка достаточно хорошо совпадала с человеческим мнением о сходстве дизайнов в двух проверках.

160 интерфейсов на модельДля каждой модели собрали достаточно много примеров, чтобы её стиль не определялся одной-двумя генерациями.

Можно ли доверять

Это препринт на arXiv, поэтому независимая журнальная экспертиза ещё не завершена. Работа опирается на крупный набор сгенерированных интерфейсов и сравнение с человеческими работами, но выводы относятся к 15 моделям, 80 типам заданий и конкретным настройкам генерации; по абстракту нельзя считать их универсальными для всех моделей и реальных продуктов.

Это препринт, поэтому результаты ещё не прошли независимую научную проверку.
Разнообразие оценивали в основном через эмбеддинги — числовые представления дизайнов, хотя их согласие с людьми было высоким, это всё же косвенная мера.
Выводы относятся к проверенным моделям, заданиям и настройкам генерации и не обязательно обобщаются на все UI-задачи.

Пересказано ИИ по научной статье. Это научпоп, а не совет врача. Как это устроено

Источник и детали

ЖурналarXiv (cs.AI)

Дата публикации у нас9 октября 2026 г.

Дата источника8 октября 2026 г.

ОригиналОткрыть

АвторыAman Rusia, Abhijit Bhole, Prashank Gupta, Dipanjan Dey