为什么重要
React Native Evals 填补了 AI 编码评测在框架特定移动端开发领域的空白。通用编码 benchmark（如 SWE-bench、HumanEval）往往忽略了框架生态特有的挑战——动画时序、手势组合、异步状态竞态、导航栈管理等。这是首个让”哪个 AI 写 RN 代码最好”从主观争论走向可量化评估的 benchmark。
评测类别
当前 5 类（71 任务）
- Animation（动画）：14 任务，涉及 Reanimated、手势处理、键盘控制
- Async State（异步状态）：14 任务，TanStack Query、Zustand、Jotai、React 并发原语
- Lists（列表）：19 任务，虚拟化列表性能与行为
- Navigation（导航）：14 任务，Native Stack、Bottom Tabs、Drawer
- 更多类别即将推出：react-native-apis、expo-sdk、expo-router、nitro-modules
评估方法
两阶段流水线：
- 生成阶段：模型接收任务提示和脚手架，返回修改后的代码
- 评判阶段：独立 LLM 根据
requirements.yaml结构化需求评判
关键发现
- Cursor Composer 2 独占鳌头（96.2%），比第二名高 11.8 分，展示了 IDE 集成 Agent 在特定框架上的优势
- 开源小模型（32B 级）与闭源大模型差距悬殊（31.8% vs 96.2%）
- MIT 开源，社区可贡献新评测任务
关联基准
- SWE-bench：通用软件工程
- BigCodeBench：多库调用编码
- WebApp1K：Web 应用生成