PerceptUI：面向UI/UX评估的类人对齐合成用户LLM代理

arXiv 26.06 2026 39.7 method

TLDR

PerceptUI利用角色条件LLM代理预测用户对UI/UX评估的响应，达到人类水平逼真度。

评分理由

The paper introduces a novel two-stage training framework for persona-conditioned UI/UX evaluation, demonstrating strong empirical results across multiple domains. However, it is narrowly focused on UI/UX and does not address world models or dynamics prediction, making the keyword scores zero.

Read-first 评分解释

综合优先阅读分 39.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 0。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

93.6

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.93585948

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：数据集、评估

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集

主题相关性 29%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文

排序敏感性

稳定性：volatile；排名波动范围：302。

关键词评分

world model

world simulator

generative world model

interactive world model

video world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

基于角色条件的UI/UX评估，预测特定用户响应并生成自然语言推理
对比反思微调，从人类决策中蒸馏教师生成的推理
基于模型自身失败轨迹的反思性提示进化步骤
达到人类水平逼真度，泛化到未见过的提问和角色

方法

PerceptUI是一个两阶段训练的框架：首先，对比反思微调通过从人类决策中提取经验来蒸馏教师生成的推理；其次，反思性提示进化步骤利用模型自身的失败轨迹进行改进。该模型在多个领域和数据集上进行了评估。

关键结果

PerceptUI在预测用户响应方面达到人类水平逼真度，泛化到未见过的提问和角色，并生成群体水平的响应分布。

资源

论文