本论文报告轨迹 SFT，未报告 RL。35B 模型在部分指标超过大模型；复杂多页交互仍困难。

文字 10,500 / 视觉 4,500。覆盖1,559个仓库与3,500个网站；不是15K段完整项目历史。

验证失败可以返回修复；修复后的成品仍需重新验证。完整Figure 2在正文3.1旁保留。

生成测试时不读答案；失败测试若擅自增加要求，就重写测试并在未修改的应用上重跑。

脚本：TP98、FP2、TN91、FN9，准确率189/200=94.5%。这份抽查按机器结论平衡，不能直接外推全库误判率。

Web-Bench前步失败会阻断后步。论文未在这里给出全部官方计分公式；主表每模型、每benchmark只跑一轮。

成品要同时实现界面与状态变化。原始Figure 5在正文4.1旁保留；外部检查执行日志未在本文复跑。

WebGen-Bench 34.5%→63.9%；视觉51.7→68.3；连续开发 pass@2 12.2%→23.1%。后者仍低于四个参考强模型。

视觉单独训练：WebGen-Bench 34.5%→12.1%，Web-Bench pass@2 12.2%→6.8%。各子集大小不同，不能视为等token的纯模态因果比较。

视觉：63.9→66.2→68.3；功能：49.1→58.2→63.9；连续开发均值：14.9→17.7→18.5。图中y轴起点不是0。

某轮Level 2有18/66双零分：13白屏、4端口错误、1循环。13个白屏任务全做HTTP检查，却全未记录查看成品截图。

公开数据说明可读；原始parquet、导出脚本与环境程序需登录同意许可。本次结论依据论文训练描述和数据说明，不冒称完整训练代码审计。