文章來(lái)源：我愛(ài)計(jì)算機(jī)視覺(jué)（ID：aicvml）

當(dāng)前文本生成圖像（T2I）技術(shù)早已不是畫(huà)出來(lái)就行。從 Stable Diffusion 到最新的 Nano Banana，模型能輕松生成指令一致的簡(jiǎn)單畫(huà)面，但要生成繁忙廚房中的 30 余種物品或繩索斷裂后特技演員引發(fā)連鎖反應(yīng)這類(lèi)復(fù)雜場(chǎng)景，卻常犯漏東西和邏輯錯(cuò)的毛病。問(wèn)題出在哪？

近日，快手可靈團(tuán)隊(duì)提出 T2I-CoReBench。首個(gè)同時(shí)覆蓋 “構(gòu)圖能力” 與 “推理能力” 的全面性、高復(fù)雜度基準(zhǔn)，用 1080 個(gè)挑戰(zhàn)性 prompt 和 13,500+ 個(gè)精細(xì)評(píng)測(cè)問(wèn)題，戳破了當(dāng)前 T2I 模型的 “能力假象”。

• 
  

  論文標(biāo)題： Easier Painting Than Thinking: Can Text-to-Image Models Set the Stage, but Not Direct the Play?

• 論文地址： https://arxiv.org/abs/2509.03516

• 代碼地址： https://github.com/KwaiVGI/T2I-CoReBench

• 項(xiàng)目主頁(yè)： https://t2i-corebench.github.io/

T2I 模型要生成 “靠譜” 的圖像，靠?jī)纱蠛诵哪芰Γ?strong>（1）構(gòu)圖能力（Composition）：把 prompt 里明確提到的元素（比如冰箱、菜板、島臺(tái)等）全部畫(huà)對(duì)，包括物體、屬性、位置關(guān)系。（2）推理能力（Reasoning）：把 prompt 里隱含的結(jié)果（比如用力擠壓一個(gè)番茄 → 番茄擠出汁）推斷出來(lái)，生成合理畫(huà)面。

但當(dāng)前的評(píng)測(cè)基準(zhǔn)仍然存在兩個(gè)關(guān)鍵問(wèn)題：（1）不全面：要么只評(píng)構(gòu)圖，要么只考推理，沒(méi)法整體評(píng)估模型又能畫(huà)全、又能想對(duì)的能力。且推理維度也相對(duì)局限，多集中在常識(shí)或簡(jiǎn)單因果，缺乏對(duì)邏輯、歸納、溯因等推理維度的全面覆蓋。（2）太簡(jiǎn)單：構(gòu)圖場(chǎng)景一般只包含少量的視覺(jué)元素，且推理只考察單步的簡(jiǎn)單推理（比如擠番茄 → 出汁），完全達(dá)不到真實(shí)世界多物體、多因果的復(fù)雜度。

為了解決這兩個(gè)問(wèn)題，研究團(tuán)隊(duì)提出了 T2I-CoReBench，聚焦于評(píng)估 T2I 模型兩種基本能力：構(gòu)圖（Composition）與推理（Reasoning）。不僅要 “測(cè)全”，還要 “測(cè)難”，讓基準(zhǔn)的評(píng)估結(jié)果真正反映 T2I 模型在實(shí)際場(chǎng)景中的表現(xiàn)。

二、T2I-CoReBench: 12 維評(píng)估體系 + 高復(fù)雜度場(chǎng)景

T2I-CoReBench 聚焦于評(píng)估 T2I 模型兩種基本能力：構(gòu)圖（Composition）與推理（Reasoning）。不同于過(guò)去工作靠 “主觀經(jīng)驗(yàn)” 設(shè)計(jì)評(píng)測(cè)維度，研究團(tuán)隊(duì)從兩個(gè)經(jīng)典分類(lèi)框架出發(fā)，構(gòu)建了嚴(yán)謹(jǐn)?shù)脑u(píng)估體系，共計(jì)12 個(gè)維度，把 “構(gòu)圖” 和 “推理” 拆解得明明白白。

構(gòu)圖能力基于場(chǎng)景圖理論：物體、屬性、關(guān)系是共同構(gòu)成畫(huà)面的核心要素。同時(shí)考慮到文本內(nèi)容在 T2I 應(yīng)用中的重要性（如包裝文字與商標(biāo)），因而一共定義了多實(shí)例（MI）、多屬性（MA）、多關(guān)系（MR）以及文本渲染（TR）四個(gè)維度。

推理能力基于哲學(xué)領(lǐng)域經(jīng)典的 “三大推理框架”：演繹推理、歸納推理、溯因推理，細(xì)分出 T2I 場(chǎng)景下的關(guān)鍵任務(wù)：

演繹推理的核心邏輯是前提為真，則結(jié)論必為真。在 T2I 場(chǎng)景中表現(xiàn)為模型需嚴(yán)格依據(jù) prompt 給定的規(guī)則、狀態(tài)或步驟，生成確定性的視覺(jué)畫(huà)面。具體定義了邏輯推理（LR）、行為推理（BR）、假設(shè)推理（HR）以及過(guò)程推理（PR）四個(gè)維度。

歸納推理的核心是從具體例子中提煉通用規(guī)則，再將規(guī)則應(yīng)用到新場(chǎng)景。在 T2I 中表現(xiàn)為模型需先從 prompt 給出的示例中學(xué)會(huì)規(guī)律，再基于規(guī)律生成未被明確描述的視覺(jué)元素。具體定義了泛化推理（GR）和類(lèi)比推理（AR）兩個(gè)維度。

溯因推理的核心是從已知觀察出發(fā)，重建最可能的隱含原因或背景。在 T2I 中表現(xiàn)為 prompt 僅描述 “結(jié)果狀態(tài)” 或 “局部線索”，模型需調(diào)用常識(shí)、物理規(guī)律或因果邏輯，補(bǔ)全畫(huà)面中 “未被提及但必須存在的元素”。包括常識(shí)推理（CR）和重構(gòu)推理（RR）兩個(gè)維度。

為避免模型在簡(jiǎn)單場(chǎng)景中 “刷分”，T2I-CoReBench 在 prompt 設(shè)計(jì)上特意 “加難度”，使其更貼近真實(shí)世界，從而倒逼模型暴露短板：

1. 構(gòu)圖更密集： 構(gòu)圖類(lèi) prompt 平均包含 20 個(gè)實(shí)例/屬性/關(guān)系。例如“擁擠教室”需呈現(xiàn)鉛筆、剪刀、膠棒等 35 個(gè)實(shí)例。

2. 推理更復(fù)雜： 推理類(lèi) prompt 均為“密集推理場(chǎng)景”。如 火柴燒斷彈性繩 → 繩子彈倒多米諾骨牌 → 彈珠滾進(jìn)紅水燒杯，需同時(shí)呈現(xiàn) 8 個(gè)結(jié)果，而非“一因一果”的簡(jiǎn)單邏輯。

3. 評(píng)測(cè)更精細(xì)： 每個(gè) prompt 配套 checklist，例如“擁擠教室”含 35 個(gè)是/否問(wèn)題（如“圖中有鉛筆嗎？”、“圖中有剪刀嗎？”），逐項(xiàng)獨(dú)立評(píng)分，避免粗粒度評(píng)估帶來(lái)的模糊性。

最終，T2I-CoReBench 形成 1080 個(gè) prompt 與 13536 個(gè)評(píng)測(cè)問(wèn)題的規(guī)模，平均 prompt 長(zhǎng)度為 170 tokens，checklist 中平均有 12.5 個(gè)問(wèn)題，足夠全面考驗(yàn)?zāi)Ｐ驮趶?fù)雜場(chǎng)景中的真實(shí)能力。

三、評(píng)測(cè)結(jié)果：構(gòu)圖有進(jìn)步，推理仍是 “致命短板”

研究團(tuán)隊(duì)在 T2I-CoReBench 上評(píng)測(cè)了 28 個(gè)主流 T2I 模型（21 個(gè)開(kāi)源 + 7 個(gè)閉源，涵蓋擴(kuò)散、自回歸、統(tǒng)一架構(gòu)），結(jié)果既暴露了行業(yè)現(xiàn)狀，也給出了明確方向。

關(guān)鍵發(fā)現(xiàn) 1：T2I 模型構(gòu)圖能力穩(wěn)步提升，但復(fù)雜構(gòu)圖仍遠(yuǎn)未解決

在 T2I-CoReBench 的測(cè)試中，各模型的構(gòu)圖能力整體穩(wěn)步提升：閉源最優(yōu)模型 Seedream 4.0 得分 86.1，開(kāi)源最優(yōu) Qwen-Image 亦達(dá)到 78.0，已接近先進(jìn)閉源水平。然而在復(fù)雜場(chǎng)景下，即便是 Seedream 4.0，在多屬性綁定（MA：84.5）和多關(guān)系生成（MR：75.0）方面仍顯吃力，復(fù)雜構(gòu)圖控制依舊是亟待突破的難題。

關(guān)鍵發(fā)現(xiàn) 2：推理能力仍是 T2I 模型的主要瓶頸

盡管構(gòu)圖能力穩(wěn)步提升，但推理仍顯薄弱：Imagen 4 Ultra 推理得分最高，但也僅為 72.9，比構(gòu)圖低 9.5 分，在邏輯與行為推理等維度表現(xiàn)不佳；開(kāi)源模型差距更為明顯，Qwen-Image 構(gòu)圖達(dá) 78.0，卻僅在推理上得 49.3（落后 28.7 分）。這表明當(dāng)前模型仍難以從提示詞中正確推斷隱含的視覺(jué)元素。

關(guān)鍵發(fā)現(xiàn) 3：擴(kuò)散模型略占優(yōu)勢(shì)，指令理解是關(guān)鍵

在開(kāi)源模型中，擴(kuò)散模型整體表現(xiàn)略優(yōu)于自回歸和統(tǒng)一范式，但差異不大。更強(qiáng)的指令編碼器顯著提升模型在構(gòu)圖與推理上的表現(xiàn)，例如 Qwen-Image 借助 Qwen2.5-VL 編碼器取得最佳成績(jī)。這表明未來(lái)應(yīng)優(yōu)先強(qiáng)化編碼器端的指令理解與文本–圖像對(duì)齊，同時(shí)保持解碼范式的靈活性。

關(guān)鍵發(fā)現(xiàn) 4：提示詞重寫(xiě)能緩解推理瓶頸，但仍不足以解決多模態(tài)難題

研究團(tuán)隊(duì)評(píng)估了提示詞重寫(xiě)（prompt rewriting）對(duì) T2I 推理的作用，來(lái)補(bǔ)償 T2I 模型的原生推理不足。采用 OpenAI o3 在生成前重寫(xiě)提示詞，顯式補(bǔ)充屬性變化、動(dòng)作結(jié)果與隱含線索。結(jié)果顯示重寫(xiě)確可提升推理，原生推理能力較弱的模型受益更大；但僅靠文本推理仍不足：強(qiáng)模型（如 GPT-Image）在多項(xiàng)推理維度依然未過(guò) 80。鑒于 T2I 本質(zhì)為多模態(tài)任務(wù)，文本重寫(xiě)難以克服視覺(jué)偏差與文本–圖像耦合（如生成方形輪子的汽車(chē)），未來(lái)應(yīng)探索更緊密的多模態(tài)交互。

四、未來(lái)方向：讓 T2I 模型從 “會(huì)畫(huà)畫(huà)” 到 “會(huì)思考”

基于評(píng)測(cè)結(jié)果，研究團(tuán)隊(duì)提出四個(gè)關(guān)鍵研究方向，為后續(xù)發(fā)展指明路徑：

1. 補(bǔ)充復(fù)雜場(chǎng)景數(shù)據(jù)： 現(xiàn)有訓(xùn)練集多為簡(jiǎn)單場(chǎng)景，亟需增加 “高密度物體 + 多步推理” 的標(biāo)注數(shù)據(jù)，以拓展模型的見(jiàn)識(shí)與泛化能力；

2. 深度融合 LLM/MLLM： 將大模型的文本理解與推理能力嵌入 T2I 流程，例如先解析 prompt 的邏輯，再驅(qū)動(dòng)圖像生成；

3. 引入 LLM 式推理范式： 借鑒 CoT 思想，讓模型逐步推演邏輯鏈（如 “水杯掉地 → 水漬 → 杯子傾斜”），再生成對(duì)應(yīng)畫(huà)面；

4. 探索多模態(tài)交錯(cuò)推理機(jī)制： 在生成過(guò)程中交替利用文本與視覺(jué)模態(tài)的推理能力，實(shí)現(xiàn)跨模態(tài)信息的相互補(bǔ)充與一致性推理，從而提升生成結(jié)果的邏輯性與逼真度。