午夜激情影院国产_久久毛片免费播放_国产成人综合在线95精品_精品视频在线观自拍自拍_无码粉嫩小泬抽搐白浆免费_在线观看麻豆国产传媒61_黄色视频无码亚洲啊v在线_国产成人精品免费久亚洲高清不卡_先锋无码午夜资源网站_2021自拍视频亚洲国产第一区

香港大學(xué)聯(lián)合香港中文大學(xué)、北京航空航天大學(xué)和阿里巴巴的研究團(tuán)隊(duì)，在2025年9月發(fā)布了一項(xiàng)突破性研究成果。這項(xiàng)名為"FLUX-Reason-6M & PRISM-Bench"的研究發(fā)表于arXiv預(yù)印本平臺(tái)（論文編號(hào)：arXiv:2509.09680v1），感興趣的讀者可以通過(guò)該編號(hào)在arXiv官網(wǎng)查閱完整論文，相關(guān)數(shù)據(jù)集和代碼也已在GitHub和Hugging Face平臺(tái)開(kāi)放獲取。

當(dāng)我們要求AI繪制一幅"夕陽(yáng)下騎自行車(chē)的小貓戴著巫師帽在云朵上穿行"這樣充滿(mǎn)想象力的畫(huà)面時(shí)，目前最先進(jìn)的開(kāi)源AI繪畫(huà)工具往往會(huì)產(chǎn)生奇怪的結(jié)果：小貓可能沒(méi)有巫師帽，自行車(chē)可能懸浮在奇怪的位置，或者整個(gè)畫(huà)面看起來(lái)毫無(wú)邏輯。這是因?yàn)楝F(xiàn)有的AI繪畫(huà)模型缺乏像人類(lèi)藝術(shù)家那樣的推理能力——它們無(wú)法理解為什么某些元素要以特定方式組合，也不明白如何處理復(fù)雜的空間關(guān)系和情感表達(dá)。

這個(gè)問(wèn)題困擾著整個(gè)AI繪畫(huà)領(lǐng)域。雖然像GPT-Image和Gemini這樣的閉源商業(yè)模型表現(xiàn)出色，但開(kāi)源模型在面對(duì)復(fù)雜、詳細(xì)的創(chuàng)作要求時(shí)常常力不從心。研究團(tuán)隊(duì)深入分析后發(fā)現(xiàn)，問(wèn)題的根源在于兩個(gè)關(guān)鍵缺失：首先，缺乏大規(guī)模、高質(zhì)量、專(zhuān)注于推理能力訓(xùn)練的開(kāi)源數(shù)據(jù)集；其次，缺乏一個(gè)能夠全面評(píng)估AI繪畫(huà)模型真實(shí)能力的測(cè)評(píng)標(biāo)準(zhǔn)。

為了解決這些問(wèn)題，香港大學(xué)的研究團(tuán)隊(duì)投入了15000個(gè)A100 GPU天的計(jì)算資源，耗時(shí)4個(gè)月，創(chuàng)建了迄今為止最大規(guī)模的AI繪畫(huà)推理數(shù)據(jù)集。這個(gè)名為FLUX-Reason-6M的數(shù)據(jù)集包含600萬(wàn)張高質(zhì)量圖像和2000萬(wàn)條雙語(yǔ)（中英文）描述文本，專(zhuān)門(mén)用于教會(huì)AI模型進(jìn)行復(fù)雜的視覺(jué)推理。

一、突破傳統(tǒng)局限：六大特征重新定義AI繪畫(huà)能力

研究團(tuán)隊(duì)沒(méi)有簡(jiǎn)單地收集更多圖片，而是從根本上重新思考了AI繪畫(huà)模型需要掌握哪些核心能力。他們將現(xiàn)代AI繪畫(huà)的挑戰(zhàn)分解為六個(gè)相互關(guān)聯(lián)的特征維度，就像為一位全才藝術(shù)家制定的技能清單。

想象力（Imagination）是第一個(gè)維度，專(zhuān)門(mén)訓(xùn)練AI創(chuàng)造超現(xiàn)實(shí)、奇幻或抽象概念的能力。這類(lèi)數(shù)據(jù)包含了違反物理定律或?qū)⑼耆煌拍钇婷罱Y(jié)合的場(chǎng)景描述。比如"一座由玻璃建成的城市，光之河流在其中流淌"這樣的描述，要求AI不僅要理解現(xiàn)實(shí)中的城市和河流，還要能夠創(chuàng)造性地重新組合這些概念，產(chǎn)生全新的視覺(jué)體驗(yàn)。這種訓(xùn)練讓AI具備了突破字面理解的創(chuàng)造性思維。

實(shí)體描述（Entity）維度聚焦于知識(shí)基礎(chǔ)的準(zhǔn)確呈現(xiàn)。當(dāng)用戶(hù)要求AI繪制"梅西在世界杯決賽中過(guò)人"這樣的場(chǎng)景時(shí)，模型需要準(zhǔn)確識(shí)別和描繪特定的真實(shí)世界對(duì)象、人物或知名實(shí)體。這要求AI不僅要掌握視覺(jué)技巧，還要具備豐富的世界知識(shí)，能夠準(zhǔn)確再現(xiàn)各種真實(shí)存在的事物及其特征。

文字渲染（Text Rendering）解決了AI繪畫(huà)中的一個(gè)老大難題。傳統(tǒng)的生成模型在處理圖像中的文字時(shí)經(jīng)常出現(xiàn)拼寫(xiě)錯(cuò)誤、位置不當(dāng)或根本無(wú)法辨認(rèn)的問(wèn)題。這個(gè)維度專(zhuān)門(mén)收集能夠成功融合清晰可讀英文文字的圖像，對(duì)應(yīng)的文本描述明確指出文字內(nèi)容、樣式和在圖像中的具體位置。比如描述"一個(gè)標(biāo)著'FLUX-Reason-6M'的霓虹燈招牌"，讓AI學(xué)會(huì)精確的文字控制能力。

風(fēng)格表現(xiàn)（Style）維度建立了一個(gè)龐大而多樣的藝術(shù)與攝影風(fēng)格庫(kù)。這些數(shù)據(jù)明確參考特定藝術(shù)運(yùn)動(dòng)（如立體主義、印象主義）、視覺(jué)技巧（如長(zhǎng)曝光、魚(yú)眼鏡頭）甚至著名藝術(shù)家的美學(xué)特征。通過(guò)這種訓(xùn)練，AI能夠理解并成功應(yīng)用各種藝術(shù)風(fēng)格，就像掌握了多種繪畫(huà)技法的藝術(shù)家。

情感表達(dá)（Affection）維度專(zhuān)門(mén)訓(xùn)練AI將抽象的情感概念轉(zhuǎn)化為具體的視覺(jué)表現(xiàn)。這類(lèi)數(shù)據(jù)使用富有感染力的語(yǔ)言描述情緒、感受或氛圍，如"寧?kù)o孤獨(dú)的感覺(jué)"或"混亂而充滿(mǎn)喜悅的市場(chǎng)場(chǎng)景"。對(duì)應(yīng)的圖像通過(guò)色彩搭配、光線(xiàn)處理和主題表情等視覺(jué)元素，將這些無(wú)形的情感概念轉(zhuǎn)化為有形的視覺(jué)符號(hào)。

構(gòu)圖安排（Composition）維度關(guān)注場(chǎng)景中對(duì)象的精確排列和相互作用。這些描述使用明確的空間定位語(yǔ)言，包括方位詞（如"在...下面"、"在...后面"、"緊鄰"）和相對(duì)位置關(guān)系。對(duì)應(yīng)的圖像提供了正確執(zhí)行這些復(fù)雜空間指令的清晰示例，讓AI學(xué)會(huì)處理精確的構(gòu)圖要求。

這種多標(biāo)簽設(shè)計(jì)的巧妙之處在于，一張圖像可以同時(shí)屬于多個(gè)特征類(lèi)別。以"埃菲爾鐵塔以梵高《星夜》風(fēng)格呈現(xiàn)"為例，這張圖像既屬于實(shí)體類(lèi)別（準(zhǔn)確描繪地標(biāo)建筑），也屬于風(fēng)格類(lèi)別（模仿藝術(shù)家風(fēng)格）。這種有意的重疊確保模型能夠?qū)W會(huì)融合不同類(lèi)型的推理能力，就像人類(lèi)藝術(shù)家會(huì)自然地結(jié)合多種技巧一樣。

二、生成鏈?zhǔn)剿季S：讓AI像人類(lèi)藝術(shù)家一樣思考創(chuàng)作過(guò)程

FLUX-Reason-6M數(shù)據(jù)集的最大創(chuàng)新在于引入了"生成鏈?zhǔn)剿季S"（Generation Chain-of-Thought，簡(jiǎn)稱(chēng)GCoT）的概念。這種方法徹底改變了AI學(xué)習(xí)繪畫(huà)的方式，從簡(jiǎn)單的圖文對(duì)應(yīng)關(guān)系升級(jí)為深度的創(chuàng)作邏輯理解。

傳統(tǒng)的AI繪畫(huà)訓(xùn)練就像教學(xué)生照著樣本臨摹，只告訴他們"這是什么"，但從不解釋"為什么這樣畫(huà)"。而GCoT方法則像一位經(jīng)驗(yàn)豐富的藝術(shù)導(dǎo)師，不僅展示作品，還詳細(xì)解釋創(chuàng)作的每一個(gè)決策過(guò)程。

具體來(lái)說(shuō)，當(dāng)面對(duì)一張小狗坐在粉色盒子里的圖像時(shí)，傳統(tǒng)方法只會(huì)提供簡(jiǎn)單描述："一只可愛(ài)的約克夏犬坐在標(biāo)有'Fabulous'的粉色盒子里，戴著匹配的粉色蝴蝶結(jié)。"而GCoT方法則會(huì)提供詳細(xì)的創(chuàng)作推理過(guò)程："這幅作品巧妙地運(yùn)用了色彩協(xié)調(diào)原理，粉色盒子、蝴蝶結(jié)和周?chē)b飾形成統(tǒng)一的色彩主題。小狗的棕白相間毛色與暖色調(diào)背景形成恰當(dāng)對(duì)比，突出了主體。構(gòu)圖上采用居中對(duì)稱(chēng)設(shè)計(jì)，小狗的爪子輕搭在盒子邊緣，增加了畫(huà)面的動(dòng)感和親和力。周?chē)挠鹈突ǘ錉I(yíng)造出夢(mèng)幻氛圍，整體傳達(dá)出純真、可愛(ài)的情感基調(diào)。"

這種訓(xùn)練方式讓AI不僅知道畫(huà)什么，更重要的是理解為什么這樣畫(huà)。模型學(xué)會(huì)了分析空間關(guān)系、藝術(shù)選擇、色彩搭配、情感基調(diào)和構(gòu)圖平衡等創(chuàng)作要素之間的內(nèi)在邏輯。這就像教會(huì)AI掌握了藝術(shù)創(chuàng)作的"內(nèi)功"，而不僅僅是表面的"招式"。

研究團(tuán)隊(duì)使用強(qiáng)大的Qwen-VL模型來(lái)生成這些詳細(xì)的推理鏈條。該模型接收?qǐng)D像和所有類(lèi)別特定的描述作為輸入，然后生成一個(gè)詳細(xì)的逐步推理過(guò)程。這個(gè)過(guò)程不僅解釋圖像中的元素，還揭示這些元素如何相互作用，為什么存在特定的布局，以及支配場(chǎng)景構(gòu)成的構(gòu)圖和語(yǔ)義原則。

三、精密的數(shù)據(jù)制作流水線(xiàn)：打造工業(yè)級(jí)訓(xùn)練資源

創(chuàng)建如此龐大而高質(zhì)量的數(shù)據(jù)集需要一個(gè)精密設(shè)計(jì)的制作流水線(xiàn)。研究團(tuán)隊(duì)將整個(gè)過(guò)程分為四個(gè)主要階段，每個(gè)階段都經(jīng)過(guò)精心設(shè)計(jì)以確保最終數(shù)據(jù)的質(zhì)量和一致性。

第一階段是建立高質(zhì)量的視覺(jué)基礎(chǔ)。不同于簡(jiǎn)單收集網(wǎng)絡(luò)圖片，研究團(tuán)隊(duì)選擇使用FLUX.1-dev這一先進(jìn)的圖像生成模型作為合成引擎。他們首先利用視覺(jué)語(yǔ)言模型結(jié)合Laion-Aesthetics數(shù)據(jù)集中的圖像，重寫(xiě)原始說(shuō)明文字，創(chuàng)造出高質(zhì)量且描述準(zhǔn)確的文本提示。這種方法避免了網(wǎng)絡(luò)爬取數(shù)據(jù)中常見(jiàn)的質(zhì)量不一致和風(fēng)格混亂問(wèn)題。

但這種策略在兩個(gè)特征類(lèi)別上存在明顯不足：想象力和文字渲染內(nèi)容嚴(yán)重缺乏。針對(duì)想象力類(lèi)別，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)漸進(jìn)式創(chuàng)意培養(yǎng)過(guò)程。他們首先使用Gemini-2.5-Pro生成200個(gè)高概念、富有想象力的種子提示。然后采用創(chuàng)意擴(kuò)展技術(shù)：隨機(jī)選取其中10個(gè)提示作為上下文示例輸入Qwen3-32B，并提高模型的溫度參數(shù)以最大化創(chuàng)意輸出，鼓勵(lì)產(chǎn)生新穎的概念關(guān)聯(lián)。這個(gè)過(guò)程產(chǎn)生了大量極具創(chuàng)意的文本說(shuō)明，經(jīng)過(guò)FLUX.1-dev渲染后，為數(shù)據(jù)集注入了超現(xiàn)實(shí)和奇幻的視覺(jué)內(nèi)容。

對(duì)于文字渲染類(lèi)別，團(tuán)隊(duì)開(kāi)發(fā)了一個(gè)三階段的挖掘-生成-合成流水線(xiàn)。首先，他們使用強(qiáng)大的Qwen2.5-VL-32B系統(tǒng)性地從Laion-2B數(shù)據(jù)集中挖掘包含清晰可讀文字的圖像。接著，對(duì)每個(gè)驗(yàn)證過(guò)的富含文字的圖像，再次利用Qwen-VL的描述能力生成高保真的新說(shuō)明。這些說(shuō)明精確描述文字內(nèi)容、視覺(jué)呈現(xiàn)方式以及圖像中的上下文關(guān)系。最后，這些以文字為中心的說(shuō)明被輸入FLUX.1-dev進(jìn)行最終合成，產(chǎn)生的圖像中渲染的文字與精制說(shuō)明直接對(duì)應(yīng)，形成文字渲染類(lèi)別的高質(zhì)量訓(xùn)練數(shù)據(jù)。

第二階段是VLM驅(qū)動(dòng)的質(zhì)量篩選和多維度評(píng)分。面對(duì)800萬(wàn)張初始合成圖像，團(tuán)隊(duì)設(shè)計(jì)了多層級(jí)的篩選系統(tǒng)。首先進(jìn)行基礎(chǔ)質(zhì)量篩選，使用Qwen-VL作為自動(dòng)化質(zhì)量保證檢查員，分析每張圖像的基本清晰度和結(jié)構(gòu)一致性，識(shí)別并丟棄存在過(guò)度模糊、干擾噪點(diǎn)或顯著結(jié)構(gòu)扭曲的圖像。

然后進(jìn)行強(qiáng)大的多維度分類(lèi)。團(tuán)隊(duì)使用Qwen-VL根據(jù)預(yù)定義的六個(gè)特征對(duì)每張篩選過(guò)的圖像進(jìn)行評(píng)估。采用量化評(píng)分系統(tǒng)，模型為每個(gè)特征分配1到10的相關(guān)性分?jǐn)?shù)，而不是簡(jiǎn)單的二元分類(lèi)。通過(guò)為每個(gè)特征設(shè)置精心校準(zhǔn)的閾值，系統(tǒng)最終確定圖像的類(lèi)別歸屬。這個(gè)系統(tǒng)專(zhuān)門(mén)設(shè)計(jì)用于多標(biāo)簽分類(lèi)，能夠準(zhǔn)確識(shí)別單張圖像屬于多個(gè)特征的情況。

考慮到文字渲染的獨(dú)特挑戰(zhàn)，團(tuán)隊(duì)還實(shí)施了專(zhuān)門(mén)的字體質(zhì)量篩選。即使高質(zhì)量的生成模型也會(huì)產(chǎn)生難以辨認(rèn)或上下文錯(cuò)誤的文字。為確保數(shù)據(jù)集為這一困難任務(wù)提供清晰可靠的信號(hào)，他們?cè)俅问褂肣wen-VL作為嚴(yán)格的字體質(zhì)量檢查員，對(duì)標(biāo)記為文字渲染類(lèi)別的圖像執(zhí)行詳細(xì)掃描，篩選出任何包含低對(duì)比度、扭曲或無(wú)意義文字的實(shí)例。

第三階段是VLM驅(qū)動(dòng)的密集說(shuō)明生成和推理框架構(gòu)建。通過(guò)建立高質(zhì)量分類(lèi)圖像基礎(chǔ)后，下一個(gè)關(guān)鍵階段是生成豐富的多維度說(shuō)明并構(gòu)建生成鏈?zhǔn)剿季S。這個(gè)過(guò)程從傳統(tǒng)說(shuō)明范式轉(zhuǎn)變?yōu)榻Y(jié)構(gòu)化且具有推理意識(shí)的注釋框架。

團(tuán)隊(duì)的注釋策略核心是利用VLM的先進(jìn)多模態(tài)推理能力，為每張圖像生成高度針對(duì)性的類(lèi)別特定說(shuō)明。與產(chǎn)生通用描述的傳統(tǒng)方法不同，他們的方法為每張圖像的特定特征生成詳細(xì)說(shuō)明。例如，處理實(shí)體圖像時(shí)，Qwen-VL被指導(dǎo)生成優(yōu)先考慮場(chǎng)景中特定對(duì)象、地標(biāo)或人物準(zhǔn)確識(shí)別和詳細(xì)描述的說(shuō)明。相反，對(duì)于風(fēng)格類(lèi)別的圖像，生成的說(shuō)明強(qiáng)調(diào)藝術(shù)技巧、視覺(jué)美學(xué)和定義藝術(shù)特色的風(fēng)格元素。

生成鏈?zhǔn)剿季S合成是注釋過(guò)程的核心步驟。為了構(gòu)建這些推理過(guò)程，團(tuán)隊(duì)采用精心的融合策略，將Qwen-VL與完整上下文（即圖像加上所有類(lèi)別特定說(shuō)明）一起提供。這種全面的輸入使模型能夠合成詳細(xì)的逐步推理鏈條，不僅闡明圖像中存在的元素，還揭示這些元素如何相互作用、為什么存在特定布局，以及支配場(chǎng)景構(gòu)成的構(gòu)圖和語(yǔ)義原則。

最終階段是原始說(shuō)明整合和大規(guī)模雙語(yǔ)發(fā)布。為了在策劃的推理信號(hào)之外擴(kuò)大泛化能力，研究團(tuán)隊(duì)重新整合了Laion-Aesthetics中能夠可靠描述FLUX.1-dev合成圖像的高質(zhì)量傳統(tǒng)說(shuō)明。他們使用Qwen-VL作為對(duì)齊評(píng)判員，評(píng)分每個(gè)原始Laion說(shuō)明與其配對(duì)FLUX圖像之間的語(yǔ)義對(duì)應(yīng)關(guān)系。分?jǐn)?shù)超過(guò)校準(zhǔn)閾值的說(shuō)明被保留作為額外監(jiān)督，確保覆蓋多樣化的自然語(yǔ)言表達(dá)，同時(shí)避免圖像-說(shuō)明漂移。整合原始說(shuō)明、類(lèi)別特定說(shuō)明和GCoT注釋后，語(yǔ)料庫(kù)總計(jì)達(dá)到2000萬(wàn)個(gè)獨(dú)特說(shuō)明。

為了實(shí)現(xiàn)資源民主化并促進(jìn)國(guó)際合作，團(tuán)隊(duì)使用Qwen的先進(jìn)翻譯能力對(duì)整個(gè)說(shuō)明語(yǔ)料庫(kù)進(jìn)行了全面中文翻譯。每個(gè)原始說(shuō)明、類(lèi)別特定說(shuō)明和GCoT說(shuō)明都被翻譯成中文。然而，對(duì)于文字渲染類(lèi)別，他們實(shí)施了關(guān)鍵的內(nèi)容保護(hù)策略：為了保持任務(wù)的語(yǔ)義完整性，圖像中預(yù)期渲染的特定英文文字在翻譯的說(shuō)明中保持原始形式。這種雙語(yǔ)框架使FLUX-Reason-6M成為最大且最易獲取的雙語(yǔ)T2I推理數(shù)據(jù)集之一。

四、PRISM-Bench：全方位測(cè)評(píng)AI繪畫(huà)的真實(shí)能力

僅僅創(chuàng)建龐大的訓(xùn)練數(shù)據(jù)集還不夠，研究團(tuán)隊(duì)意識(shí)到還需要一個(gè)能夠準(zhǔn)確評(píng)估AI繪畫(huà)模型真實(shí)能力的測(cè)評(píng)標(biāo)準(zhǔn)。現(xiàn)有的評(píng)測(cè)基準(zhǔn)往往過(guò)于簡(jiǎn)單或只關(guān)注少數(shù)幾個(gè)維度，無(wú)法有效區(qū)分先進(jìn)模型之間的細(xì)微差別。于是，他們開(kāi)發(fā)了PRISM-Bench（精確且強(qiáng)健的圖像合成測(cè)量基準(zhǔn)），這是一個(gè)包含七個(gè)獨(dú)立測(cè)試軌道的綜合評(píng)估框架。

PRISM-Bench的設(shè)計(jì)哲學(xué)是"細(xì)致入微，人類(lèi)對(duì)齊"。傳統(tǒng)評(píng)測(cè)方法常常依賴(lài)簡(jiǎn)單的CLIP分?jǐn)?shù)或目標(biāo)檢測(cè)器，這些工具容易達(dá)到飽和狀態(tài)，無(wú)法真正區(qū)分模型的實(shí)際表現(xiàn)差異。PRISM-Bench采用了一種革命性的方法：利用先進(jìn)視覺(jué)語(yǔ)言模型（GPT-4.1和Qwen2.5-VL-72B）的認(rèn)知判斷能力作為人類(lèi)判斷的代理，實(shí)現(xiàn)細(xì)致入微且與人類(lèi)評(píng)估高度一致的模型性能分析。

七個(gè)測(cè)試軌道中的前六個(gè)直接對(duì)應(yīng)FLUX-Reason-6M數(shù)據(jù)集的六個(gè)特征：想象力、實(shí)體、文字渲染、風(fēng)格、情感和構(gòu)圖。第七個(gè)軌道是獨(dú)特且具有挑戰(zhàn)性的"長(zhǎng)文本"測(cè)試，利用GCoT說(shuō)明來(lái)測(cè)試模型處理復(fù)雜指令的能力。每個(gè)軌道包含100個(gè)精心選擇和構(gòu)建的提示，總計(jì)700個(gè)多樣化、代表性強(qiáng)且具有挑戰(zhàn)性的雙語(yǔ)提示。

每個(gè)軌道的100個(gè)提示分為兩組，各50個(gè)，設(shè)計(jì)用于測(cè)量模型性能的不同方面。第一組通過(guò)系統(tǒng)化采樣直接來(lái)自FLUX-Reason-6M數(shù)據(jù)集，確保廣泛的代表性。為了避免選擇偏差并確保廣泛覆蓋，團(tuán)隊(duì)沒(méi)有使用簡(jiǎn)單的隨機(jī)采樣，而是采用語(yǔ)義聚類(lèi)和分層采樣方法。具體地，對(duì)每個(gè)類(lèi)別收集FLUX-Reason-6M數(shù)據(jù)集中得分最高的前10000個(gè)提示，然后使用K-Means算法將提示分為50個(gè)不同的語(yǔ)義聚類(lèi)。每個(gè)聚類(lèi)代表該類(lèi)別內(nèi)的獨(dú)特概念主題。他們從每個(gè)聚類(lèi)中選擇最接近聚類(lèi)質(zhì)心的一個(gè)提示作為該語(yǔ)義主題最具代表性的示例。

第二組50個(gè)提示來(lái)自精心策劃，專(zhuān)門(mén)針對(duì)每個(gè)軌道的特定挑戰(zhàn)性方面。對(duì)于想象力軌道，團(tuán)隊(duì)將想象概念劃分為幾個(gè)主要類(lèi)別，如物理不可能性和超現(xiàn)實(shí)敘述，然后使用大語(yǔ)言模型從一個(gè)或多個(gè)類(lèi)別中隨機(jī)選擇元素生成相應(yīng)提示。實(shí)體軌道策劃了不同類(lèi)別實(shí)體的列表：著名地標(biāo)、特定動(dòng)植物物種、歷史人物和品牌對(duì)象，然后利用大語(yǔ)言模型隨機(jī)選擇一到三個(gè)實(shí)體生成相應(yīng)提示。

文字渲染軌道設(shè)計(jì)了不同長(zhǎng)度的文字內(nèi)容、不同字體樣式以及表面和位置組合。風(fēng)格軌道定義了四個(gè)主要風(fēng)格類(lèi)別，包括藝術(shù)運(yùn)動(dòng)、媒介、攝影技術(shù)和數(shù)字現(xiàn)代美學(xué)，總共25種詳細(xì)風(fēng)格，為每種風(fēng)格生成2個(gè)提示。情感軌道使用Plutchik的情感輪作為基礎(chǔ)來(lái)源，選擇八種主要情感及其溫和和強(qiáng)烈形式。構(gòu)圖軌道構(gòu)建了包括顏色、數(shù)量、尺寸、空間關(guān)系等屬性池，每次生成時(shí)從各個(gè)池中抽取幾個(gè)屬性，讓大語(yǔ)言模型自由組合創(chuàng)建具有多個(gè)對(duì)象及各種關(guān)系的提示。

長(zhǎng)文本軌道從FLUX-Reason-6M數(shù)據(jù)集中選擇50張高質(zhì)量圖像及其所有對(duì)應(yīng)說(shuō)明，將這些輸入Gemini2.5-Pro進(jìn)行長(zhǎng)文本擴(kuò)展，最終產(chǎn)生50個(gè)具有挑戰(zhàn)性的提示。所有生成的提示都經(jīng)過(guò)人工審查，確保它們明確、語(yǔ)法正確且邏輯合理，從而保證評(píng)估的公平性和挑戰(zhàn)性。

五、評(píng)估協(xié)議：讓AI評(píng)判AI的創(chuàng)新方法

PRISM-Bench的評(píng)估方法代表了AI繪畫(huà)測(cè)評(píng)領(lǐng)域的一次重大創(chuàng)新。傳統(tǒng)評(píng)估方法的問(wèn)題在于過(guò)于粗糙——簡(jiǎn)單詢(xún)問(wèn)"圖像是否匹配提示？"無(wú)法捕捉每個(gè)類(lèi)別的特定挑戰(zhàn)。研究團(tuán)隊(duì)認(rèn)識(shí)到，針對(duì)不同軌道需要專(zhuān)門(mén)設(shè)計(jì)的評(píng)估標(biāo)準(zhǔn)，就像不同類(lèi)型的藝術(shù)作品需要不同的評(píng)判標(biāo)準(zhǔn)一樣。

團(tuán)隊(duì)為每個(gè)軌道設(shè)計(jì)了專(zhuān)門(mén)的評(píng)估提示，確保評(píng)估能夠針對(duì)性地關(guān)注該軌道的核心挑戰(zhàn)。想象力軌道的評(píng)估重點(diǎn)是模型是否成功合成了描述的新穎或超現(xiàn)實(shí)概念，獎(jiǎng)勵(lì)對(duì)想象創(chuàng)意的創(chuàng)造性和連貫詮釋。實(shí)體軌道基于對(duì)特定命名真實(shí)世界實(shí)體的準(zhǔn)確渲染進(jìn)行對(duì)齊評(píng)分，包括它們的關(guān)鍵定義特征和上下文。

文字渲染軌道采用嚴(yán)格的評(píng)分標(biāo)準(zhǔn)，專(zhuān)注于可讀性、拼寫(xiě)準(zhǔn)確性以及指定文字在圖像中的精確定位。風(fēng)格軌道指導(dǎo)VLM評(píng)估生成圖像對(duì)明確請(qǐng)求的藝術(shù)或攝影風(fēng)格的忠實(shí)度，檢查特征技術(shù)。情感軌道的評(píng)估集中于圖像是否通過(guò)顏色、光線(xiàn)和主體表情等視覺(jué)線(xiàn)索有效傳達(dá)了指定的情緒、情感或氛圍。

構(gòu)圖軌道的VLM評(píng)估強(qiáng)調(diào)驗(yàn)證對(duì)象的空間排列、它們的相對(duì)位置、顏色外觀以及文本規(guī)定的正確對(duì)象計(jì)數(shù)。長(zhǎng)文本軌道測(cè)量模型從復(fù)雜多句GCoT提示中融入高密度細(xì)節(jié)的能力。

每個(gè)生成的圖像，VLM都會(huì)提供一句話(huà)的理由說(shuō)明和基于相應(yīng)軌道特定標(biāo)準(zhǔn)的1分（極差對(duì)齊）到10分（完美對(duì)齊）的評(píng)分。這種針對(duì)性方法使得能夠更精確和有意義地測(cè)量模型在每個(gè)不同類(lèi)別中的能力。

除了對(duì)齊度評(píng)估，PRISM-Bench還采用統(tǒng)一的美學(xué)評(píng)估。與對(duì)齊度指標(biāo)不同，圖像美學(xué)評(píng)估在所有七個(gè)軌道中使用單一的統(tǒng)一指令集。這是因?yàn)槊缹W(xué)質(zhì)量——包括光線(xiàn)、色彩和諧、細(xì)節(jié)和整體視覺(jué)吸引力等因素——是獨(dú)立于特定提示內(nèi)容的通用屬性。VLM為每張圖像分配一句話(huà)理由和從1分（極低質(zhì)量）到10分（專(zhuān)業(yè)質(zhì)量）的美學(xué)評(píng)分。

通過(guò)系統(tǒng)性地將此協(xié)議應(yīng)用于領(lǐng)先閉源模型和開(kāi)源模型生成的圖像，研究團(tuán)隊(duì)收集了全面的結(jié)果。每個(gè)模型在每個(gè)軌道上的表現(xiàn)被報(bào)告為相應(yīng)100個(gè)提示的平均對(duì)齊分?jǐn)?shù)和美學(xué)分?jǐn)?shù)。這兩個(gè)指標(biāo)的平均值代表模型在該軌道上的綜合表現(xiàn)，所有7個(gè)軌道的總體平均分?jǐn)?shù)代表模型的最終表現(xiàn)，提供了當(dāng)前T2I生成狀態(tài)的清晰且可操作的概覽。

六、震撼的測(cè)評(píng)結(jié)果：揭示AI繪畫(huà)的真實(shí)水平

研究團(tuán)隊(duì)對(duì)19個(gè)先進(jìn)圖像生成模型進(jìn)行了全面測(cè)評(píng)，結(jié)果既令人印象深刻又發(fā)人深省。這些模型包括最新的閉源商業(yè)模型如Gemini2.5-Flash-Image和GPT-Image-1，以及頂級(jí)開(kāi)源模型如Qwen-Image、SEEDream 3.0和FLUX系列。

整體表現(xiàn)方面，閉源模型確實(shí)展現(xiàn)了明顯的優(yōu)勢(shì)。GPT-Image-1以86.3分的總分位居榜首，緊隨其后的是Gemini2.5-Flash-Image的85.3分。這兩個(gè)模型在幾乎所有評(píng)估軌道上都超越了其他競(jìng)爭(zhēng)對(duì)手，證明了大型科技公司在AI繪畫(huà)領(lǐng)域的技術(shù)積累和資源投入確實(shí)產(chǎn)生了顯著效果。

然而，開(kāi)源模型的表現(xiàn)也不容小覷。以Qwen-Image為首的競(jìng)爭(zhēng)性階梯正在形成，雖然與頂級(jí)模型仍有明顯的性能差距，但這些模型代表了開(kāi)源社區(qū)的重大飛躍。HiDream-I1-Full和FLUX.1-Krea-dev也取得了優(yōu)異成績(jī)，表明該領(lǐng)域正在快速進(jìn)步。模型系列內(nèi)部的演進(jìn)也很明顯，SDXL相比SD1.5顯示出實(shí)質(zhì)性改進(jìn)，而更新的SD3.5-Large進(jìn)一步縮小了與頂級(jí)模型的差距。

分軌道分析揭示了更多有趣的發(fā)現(xiàn)。在想象力軌道上，Gemini2.5-Flash-Image以88.6分大幅領(lǐng)先，GPT-Image-1以86.4分緊隨其后。這表明領(lǐng)先閉源模型在創(chuàng)意理解和詮釋方面具有更高級(jí)的能力。Qwen-Image的表現(xiàn)也很出色，但像SD1.5這樣的老模型表現(xiàn)很差，經(jīng)常生成普通或扭曲的圖像，無(wú)法捕捉提示的想象精髓。

實(shí)體軌道上，GPT-Image-1憑借88.2分在這一領(lǐng)域表現(xiàn)卓越，展示了其強(qiáng)大的內(nèi)部知識(shí)庫(kù)和高保真渲染能力。Gemini2.5-Flash-Image和SEEDream 3.0也表現(xiàn)良好。這個(gè)軌道對(duì)世界知識(shí)基礎(chǔ)較弱的模型來(lái)說(shuō)很有挑戰(zhàn)性，突出了大規(guī)模高質(zhì)量訓(xùn)練數(shù)據(jù)對(duì)于準(zhǔn)確真實(shí)世界描繪的重要性。

文字渲染軌道的結(jié)果最為令人關(guān)注，因?yàn)樗鼘?duì)幾乎所有T2I模型來(lái)說(shuō)都是一個(gè)重大挑戰(zhàn)。該基準(zhǔn)證實(shí)了這一點(diǎn)，這個(gè)類(lèi)別在所有軌道中獲得了最低的整體分?jǐn)?shù)。值得注意的是，像Bagel和JanusPro這樣的自回歸模型在這個(gè)軌道上表現(xiàn)很差，突出了自回歸架構(gòu)在文字渲染任務(wù)中的內(nèi)在局限性。即使是表現(xiàn)最好的GPT-Image-1，在這個(gè)軌道上也只獲得了74.5分，顯示出即便是最先進(jìn)的模型在這個(gè)基礎(chǔ)能力上仍有很大改進(jìn)空間。

風(fēng)格軌道上，GPT-Image-1表現(xiàn)出卓越的性能，獲得了93.1分。大多數(shù)現(xiàn)代模型在這個(gè)軌道上表現(xiàn)相對(duì)較好，對(duì)請(qǐng)求風(fēng)格顯示出高保真度。這些模型的高分表明，相比文字渲染等其他任務(wù)，捕捉風(fēng)格精髓的能力更加成熟。

情感軌道展現(xiàn)了頂級(jí)模型在捕捉情緒和氛圍方面的非凡能力。Gemini2.5-Flash-Image以92.1分的出色表現(xiàn)領(lǐng)先，GPT-Image-1和Qwen-Image緊隨其后。值得注意的是，F(xiàn)LUX.1-dev在這個(gè)類(lèi)別中獲得了最高的美學(xué)分?jǐn)?shù)，表明其生成的圖像在視覺(jué)傳達(dá)情感方面特別有效，即使提示對(duì)齊度略低。

構(gòu)圖軌道上，GPT-Image-1以92.8分的高分大幅領(lǐng)先，充分展示了其解析和執(zhí)行復(fù)雜空間指令的能力。Gemini2.5-Flash-Image以90.5分緊隨其后。頂級(jí)開(kāi)源模型在這個(gè)領(lǐng)域具有很強(qiáng)競(jìng)爭(zhēng)力，Qwen-Image的得分幾乎與Gemini2.5-Flash-Image相同，表明復(fù)雜構(gòu)圖理解方面的差距正在縮小。HiDream-I1-Full和FLUX.1-dev等模型也展現(xiàn)了強(qiáng)大的構(gòu)圖能力，頂級(jí)表現(xiàn)者之間的小差異表明構(gòu)圖控制正在成為現(xiàn)代圖像生成系統(tǒng)的一項(xiàng)成熟能力。

長(zhǎng)文本軌道的評(píng)估結(jié)果清楚地區(qū)分了頂級(jí)模型。Gemini2.5-Flash-Image獲得了最高分81.1分，GPT-Image-1和SEEDream 3.0也表現(xiàn)相對(duì)較好。然而，與其他軌道相比，所有模型的整體分?jǐn)?shù)都明顯較低，表明在遵循復(fù)雜多層指令生成高質(zhì)量圖像的能力方面還有很大改進(jìn)空間。這突出了FLUX-Reason-6M旨在解決的推理差距問(wèn)題。

七、中文能力測(cè)試：意外的發(fā)現(xiàn)

研究團(tuán)隊(duì)還專(zhuān)門(mén)創(chuàng)建了PRISM-Bench-ZH來(lái)評(píng)估模型處理中文提示的能力，結(jié)果揭示了一些意想不到的發(fā)現(xiàn)。GPT-Image-1以87.5分確立了其主導(dǎo)地位，在想象力、實(shí)體、風(fēng)格、情感和構(gòu)圖等大多數(shù)軌道上始終領(lǐng)先，展示了在響應(yīng)中文提示時(shí)的卓越創(chuàng)意詮釋、知識(shí)基礎(chǔ)和空間排列能力。

SEEDream 3.0和Qwen-Image展現(xiàn)了強(qiáng)大的競(jìng)爭(zhēng)力，在所有軌道上都表現(xiàn)出色，經(jīng)常與領(lǐng)導(dǎo)者表現(xiàn)接近。特別值得注意的是SEEDream 3.0和Qwen-Image在文字渲染方面的表現(xiàn)，這與英文文字生成中觀察到的普遍弱點(diǎn)形成鮮明對(duì)比。其中，SEEDream 3.0和GPT-Image-1共享最高平均分，SEEDream 3.0獲得最高美學(xué)分?jǐn)?shù)，表明其具有渲染高質(zhì)量中文字符的能力。

這些模型的強(qiáng)大表現(xiàn)驗(yàn)證了基準(zhǔn)設(shè)計(jì)中使用文化適應(yīng)性中文提示的有效性，并突出了處理中文字體方面的重大進(jìn)展。研究團(tuán)隊(duì)展示了不同模型在中文文字渲染方面的具體例子，可以看到GPT-Image-1在文字的清晰度和整合性方面表現(xiàn)最佳，而其他模型雖然能夠生成中文字符，但在精確度和自然融入畫(huà)面方面仍有改進(jìn)空間。

與英文測(cè)試結(jié)果一致的是，長(zhǎng)文本軌道仍然是所有模型面臨的最大挑戰(zhàn)。雖然GPT-Image-1在這個(gè)類(lèi)別中再次領(lǐng)先，但普遍較低的分?jǐn)?shù)突出了理解和合成冗長(zhǎng)、多面向中文指令的實(shí)質(zhì)性障礙。這進(jìn)一步強(qiáng)調(diào)了像FLUX-Reason-6M這樣專(zhuān)注于推理的數(shù)據(jù)集對(duì)于解決現(xiàn)有差距和訓(xùn)練下一代真正智能T2I模型的迫切需要。

八、深遠(yuǎn)影響：改變AI繪畫(huà)的游戲規(guī)則

這項(xiàng)研究的意義遠(yuǎn)遠(yuǎn)超出了單純的技術(shù)突破，它為整個(gè)AI繪畫(huà)領(lǐng)域設(shè)立了新的發(fā)展方向和評(píng)價(jià)標(biāo)準(zhǔn)。從數(shù)據(jù)集規(guī)模來(lái)看，F(xiàn)LUX-Reason-6M耗費(fèi)的15000個(gè)A100 GPU天計(jì)算資源，使其可能成為成本最高的開(kāi)源數(shù)據(jù)集，為開(kāi)源社區(qū)提供了以前只有大型工業(yè)實(shí)驗(yàn)室才能獲得的寶貴資源。

在技術(shù)創(chuàng)新方面，生成鏈?zhǔn)剿季S（GCoT）的概念徹底改變了AI學(xué)習(xí)繪畫(huà)的方式。這種方法不僅教會(huì)模型"畫(huà)什么"，更重要的是讓模型理解"為什么這樣畫(huà)"，這種深層推理能力的培養(yǎng)將AI繪畫(huà)從簡(jiǎn)單的圖像復(fù)制提升到了真正的藝術(shù)創(chuàng)作層面。未來(lái)基于這種數(shù)據(jù)集訓(xùn)練的模型將具備更強(qiáng)的創(chuàng)造性和邏輯性，能夠處理更加復(fù)雜和抽象的創(chuàng)作要求。

評(píng)估標(biāo)準(zhǔn)的革新同樣具有深遠(yuǎn)意義。PRISM-Bench建立的精細(xì)化、多維度評(píng)測(cè)體系，使用先進(jìn)視覺(jué)語(yǔ)言模型作為人類(lèi)判斷代理的方法，為整個(gè)AI繪畫(huà)領(lǐng)域提供了更加科學(xué)和全面的能力評(píng)估工具。這種評(píng)估方法的出現(xiàn)，將推動(dòng)整個(gè)行業(yè)從追求簡(jiǎn)單的視覺(jué)效果轉(zhuǎn)向追求真正的藝術(shù)創(chuàng)作能力。

對(duì)于開(kāi)源社區(qū)來(lái)說(shuō)，這項(xiàng)研究的公開(kāi)發(fā)布具有里程碑意義。完整的數(shù)據(jù)集、評(píng)測(cè)基準(zhǔn)和評(píng)估代碼的開(kāi)放，大大降低了AI繪畫(huà)研究的準(zhǔn)入門(mén)檻。世界各地的研究者現(xiàn)在都能夠基于這個(gè)強(qiáng)大的基礎(chǔ)開(kāi)發(fā)更先進(jìn)的模型，加速整個(gè)領(lǐng)域的發(fā)展進(jìn)程。這種開(kāi)放創(chuàng)新的模式將有助于縮小開(kāi)源模型與閉源商業(yè)模型之間的性能差距。

從實(shí)際應(yīng)用角度來(lái)看，這項(xiàng)研究揭示的技術(shù)方向?qū)⑸羁逃绊懳磥?lái)AI繪畫(huà)工具的發(fā)展。具備推理能力的AI繪畫(huà)模型將能夠更好地理解用戶(hù)的創(chuàng)作意圖，處理更加復(fù)雜的場(chǎng)景描述，并在創(chuàng)作過(guò)程中展現(xiàn)出更強(qiáng)的邏輯一致性和藝術(shù)表現(xiàn)力。這將極大地?cái)U(kuò)展AI繪畫(huà)的應(yīng)用范圍，從簡(jiǎn)單的圖片生成擴(kuò)展到復(fù)雜的創(chuàng)意設(shè)計(jì)、教育培訓(xùn)、娛樂(lè)內(nèi)容制作等眾多領(lǐng)域。

特別值得注意的是，這項(xiàng)研究對(duì)文字渲染這一長(zhǎng)期技術(shù)難題的關(guān)注，一旦在未來(lái)版本中得到有效解決，將開(kāi)啟全新的應(yīng)用可能。能夠準(zhǔn)確生成包含文字的圖像對(duì)于廣告設(shè)計(jì)、教育材料制作、多媒體內(nèi)容創(chuàng)作等領(lǐng)域具有巨大價(jià)值。

說(shuō)到底，這項(xiàng)來(lái)自香港大學(xué)團(tuán)隊(duì)的研究不僅僅是技術(shù)層面的進(jìn)步，更是AI繪畫(huà)領(lǐng)域發(fā)展理念的重大轉(zhuǎn)變。它從關(guān)注單純的圖像質(zhì)量轉(zhuǎn)向追求深層的創(chuàng)作推理能力，從封閉的商業(yè)競(jìng)爭(zhēng)轉(zhuǎn)向開(kāi)放的協(xié)作創(chuàng)新，從簡(jiǎn)單的功能實(shí)現(xiàn)轉(zhuǎn)向系統(tǒng)的能力培養(yǎng)。這種轉(zhuǎn)變將推動(dòng)整個(gè)AI繪畫(huà)領(lǐng)域向著更加智能、更加實(shí)用、更加貼近人類(lèi)創(chuàng)作思維的方向發(fā)展。

研究團(tuán)隊(duì)在論文中坦承，即便是最先進(jìn)的模型在面對(duì)復(fù)雜任務(wù)時(shí)仍有顯著改進(jìn)空間，這種誠(chéng)實(shí)的態(tài)度和持續(xù)改進(jìn)的承諾，為整個(gè)AI繪畫(huà)領(lǐng)域的健康發(fā)展指明了方向。未來(lái)，我們可以期待基于這項(xiàng)研究成果開(kāi)發(fā)出的新一代AI繪畫(huà)工具，將真正實(shí)現(xiàn)從"能畫(huà)"到"會(huì)畫(huà)"，從"模仿"到"創(chuàng)造"的跨越。對(duì)于每一個(gè)對(duì)AI藝術(shù)創(chuàng)作感興趣的人來(lái)說(shuō)，這項(xiàng)研究標(biāo)志著一個(gè)激動(dòng)人心的新時(shí)代的開(kāi)始。有興趣深入了解技術(shù)細(xì)節(jié)的讀者，可以通過(guò)arXiv:2509.09680v1查閱完整的研究論文，或訪(fǎng)問(wèn)項(xiàng)目的GitHub頁(yè)面和Hugging Face數(shù)據(jù)集頁(yè)面獲取相關(guān)資源。

Q&A

Q1：FLUX-Reason-6M數(shù)據(jù)集有什么特別之處？為什么要花這么大代價(jià)制作？

A：FLUX-Reason-6M是全球首個(gè)專(zhuān)門(mén)訓(xùn)練AI繪畫(huà)推理能力的大規(guī)模數(shù)據(jù)集，包含600萬(wàn)張高質(zhì)量圖像和2000萬(wàn)條雙語(yǔ)描述。它的特別之處在于引入了"生成鏈?zhǔn)剿季S"技術(shù)，不僅告訴AI畫(huà)什么，還詳細(xì)解釋為什么這樣畫(huà)。研究團(tuán)隊(duì)花費(fèi)15000個(gè)A100 GPU天的計(jì)算資源，是因?yàn)閭鹘y(tǒng)數(shù)據(jù)集只能讓AI模仿，而這個(gè)數(shù)據(jù)集能教會(huì)AI像人類(lèi)藝術(shù)家一樣思考創(chuàng)作過(guò)程。

Q2：PRISM-Bench測(cè)評(píng)結(jié)果顯示哪些AI繪畫(huà)模型表現(xiàn)最好？

A：測(cè)評(píng)結(jié)果顯示GPT-Image-1以86.3分位居第一，Gemini2.5-Flash-Image以85.3分緊隨其后。開(kāi)源模型中Qwen-Image表現(xiàn)最佳。有趣的是，所有模型在文字渲染方面都表現(xiàn)較弱，而在風(fēng)格模仿和構(gòu)圖安排方面相對(duì)較強(qiáng)。這說(shuō)明AI繪畫(huà)技術(shù)在不同能力維度上發(fā)展并不均衡，仍有很大改進(jìn)空間。

Q3：普通用戶(hù)如何從這項(xiàng)研究中受益？

A：這項(xiàng)研究的開(kāi)源發(fā)布將推動(dòng)整個(gè)AI繪畫(huà)領(lǐng)域的技術(shù)進(jìn)步，普通用戶(hù)很快就能體驗(yàn)到更智能的AI繪畫(huà)工具。未來(lái)的AI將能更好理解復(fù)雜創(chuàng)作要求，生成邏輯更合理、細(xì)節(jié)更豐富的圖像。特別是在處理包含文字的圖像創(chuàng)作、復(fù)雜場(chǎng)景構(gòu)圖等方面會(huì)有顯著改善，讓AI真正成為每個(gè)人都能使用的智能創(chuàng)作助手。