Vibe Code Bench v1.1

何を測定しますか？

Vals AIが作った試験で、AIが自然言語の仕様だけを見てウェブアプリを一から作り、実際に動かせるかを見ます。

誰がどのように評価しますか？

1ページ以内の非技術的な仕様ごとにアプリを作らせ、アプリごとに20〜60個の自動テストを評価エージェントが画面をクリックしながら実行します。仕様とテストはプロダクトマネージャーと開発者がレビューしました。

スコアの読み方

スコアは0〜100%です。高いほど良い結果です。上位モデルが90%を超え、差がつきにくくなっています。試験セットは公開されていません。