MM-WebAgent：用于网页生成的层次化多模态智能体
计算机视觉与模式识别
2026-04-17 v1 人工智能
计算与语言
摘要
人工智能生成内容（AIGC）工具的快速进展使得图像、视频和可视化效果能够按需创建，用于网页设计，提供了灵活且日益受采纳的现代UI/UX范式。然而，直接将此类工具集成到自动网页生成中常导致风格不一致和较差的全局一致性，因为元素是独立生成的。我们提出MM-WebAgent，一个用于多模态网页生成的层次化智能体框架，通过层次化规划和迭代自我反思来协调AIGC式元素生成。MM-WebAgent同时优化全局布局、局部多模态内容及其集成，生成连贯且视觉一致的网页。我们进一步引入了用于多模态网页生成的基准数据集，并提出了用于系统评估的多层次评估协议。实验表明，MM-WebAgent在代码生成和基于智能体的基线方法中均表现出色，尤其在多模态元素生成和集成方面表现尤为突出。代码与数据：https://aka.ms/mm-webagent。
引用
@article{arxiv.2604.15309,
title = {MM-WebAgent: A Hierarchical Multimodal Web Agent for Webpage Generation},
author = {Yan Li and Zezi Zeng and Yifan Yang and Yuqing Yang and Ning Liao and Weiwei Guo and Lili Qiu and Mingxi Cheng and Qi Dai and Zhendong Wang and Zhengyuan Yang and Xue Yang and Ji Li and Lijuan Wang and Chong Luo},
journal= {arXiv preprint arXiv:2604.15309},
year = {2026}
}