📑 论文：http://arxiv.org/abs/2605.28091

Hugging Face：https://huggingface.co/datasets/Qwen/Qwen-Image-Bench

魔搭社区：https://www.modelscope.cn/datasets/Qwen/Qwen-Image-Bench

Github: https://github.com/QwenLM/Qwen-Image-Bench

导语：

当 AI 从“会生图”进化到替代“真实摄影”，甚至“艺术创作”。当前大模型生成的图片已经足以“以假乱真”，甚至运用到更多创意工作流中。越来越多的影像创作者、设计师、品牌方、数字艺术家开始用AI进行视觉创作。

目前业界的文生图（T2I）评测Benchmark，大多还局限在基础语意遵循或单一的图像质量/审美维度。但在真正的用户体验和艺术创作面前，这对模型的考察还远远不够。 今天，Qwen-Image-Bench 正式亮相！

这是一套由中央圣马丁艺术家带队，专业影像视觉、美学设计艺术家团队深度参与开发的文生图模型评测基准。Qwen-Image-Bench拥有 56 个细粒度创作考点,包括分镜设计、游戏设计、漫画创作、时尚造型、字体美学、世界知识等，并自带细粒度自动化开源评估模型 Q-Judger，根据56个三级维度考点，对图片进行打分。

---

为什么我们需要一场真正的“多模态模型评测”？

很多用户会好奇：什么是“模型评测 Benchmark”？通俗来说，它就是给 AI 模型准备的一场“全科考试”。对于文生图模型而言，评测不仅仅是看模型能不能根据Prompt，准确生出对应图片，更要考核它生成的图片是否具备专业影像创作者的视听语言，甚至拥有对真实世界的复现能力。

现有的 T2I 评测指标只考核简单的语义对齐、图像质量、图像审美。这导致很多大模型虽然在Benchmark上跑分很高，但在实际的高阶创作应用中，影像美感和创意想象力却总“差点意思”。而视觉创作，恰好是检验模型“审美与世界知识”逻辑推理能力”的试炼场。 一个顶尖的文生图模型，必须同时懂审美、会推理、能写字、有知识。

Qwen-Image-Bench就是从用户体验角度出发，构建更加贴合真实应用场景的评测体系。

Qwen- Image Bench: 艺术家参与“出题”，56个考点逐一考察。

一个强大的文生图模型，不仅要做到基础的图片生成，更应该具备良好“品味”的“视觉创作者”。为了考察AI 是否能够应对人类艺术家的多元化创作场景，Qwen-Image-Bench 将“创意生成”与“现实世界复现”驱动的提示词设计，作为核心优势：摒弃传统粗粒度、泛化性的评估方式，转而建立结构化的能力评估框架，将创作能力解构为 5 大核心能力支柱与17大典型创作场景，并进一步细化为 56 项可量化、可验证的细粒度评估维度，从而甄别出不同T2I模型，在多元化创作场景的优势与短板，为各家模型的定向优化提供指导性方向。

• 考点多元：覆盖世界知识、创作推理、文字渲染、影像叙事、游戏设计、艺术美学等高频真实场景。

• 全球视野：引入全球不同时期文化元素，确保模型具备全球化的视野与多样性。

• 高效评测：1,000 条分层 Prompts，每条提示词都精准对应至少 4+三级维度考点，搭配Q-Judger自动评估模型，评测效率直线提升。

Q-Judger：开源自动化评估模型，实现高效、精准、细粒度的评测

https://huggingface.co/Qwen/Qwen-Image-Bench (开源模型抢先体验)

只有考题还不够，评测结果最终还需要可靠的“阅卷机制”。为了提升评测效率，便于全球AI用户了解主流T2I模型优势，并帮助模型开发者评测自家模型。我们提供了自动化评估模型——Q-Judger，能够从细粒度维度对图片结果进行评分。

• 多维度、细粒度评估：
  该评估模型围绕“ 图像质量、图像美学、图文一致性、创作推理能力、现实复现”能力下的56个三级维度，建立了清晰的评分标准。经过精细化训练后，实验结果表明，其评估结果与资深人类艺术家的专业评估具有显著相关性 (Spearsman 0.92)。

• 从“评测”到“优化”的闭环：
  这套评估体系不仅可以用于模型评测，更能帮助广大模型算法，直接定位自家T2I模型当前存在的薄弱环节。评测结果显示，当前T2I模型在“文字准确性”“信息可视化”“跨语言生成”“影像分镜”“平面设计”“漫画创作”“游戏设计”等子领域能力差距最大。“世界知识与逻辑推理能力”“创作能力”是目前决定T2I模型能否跻身全球第一梯队的分水岭。（见以下方差图）

Qwen-Image-Bench 不仅是一把用于衡量模型能力的“度量衡”，也是一套辅助模型优化的“方法论”。它能够帮助模型自动捕捉细微的创意与表现差异，从而加速迭代，推动模型能力向创作级水平跃迁。

Benchmark Showcase

提示词多样性：我们从用户的真实创作场景出发，由专业艺术家团队设计了1,000 条中英文双语分层prompt。确保每条prompt都精准覆盖 4+三级维度考点，并对模型差异化能力具备强区分度。

• 维度考点：时尚造型、接触互动、艺术设计、摄影机/镜头风格、构图、物理逻辑。

• 提示词示例：模拟拍摄一张中央圣马丁艺术与设计学院White show秀场后台抓拍图：后台化妆间镜前灯泡发光；造型师正在为面容姣好的模特系紧束腰与别针固定披风。要求：手部与接触互动准确、别针与织物拉力真实、镜面反射合理；构图以镜中倒影形成二次画面。

GPT Image2.0

Nano banana 2.0

• 维度考点：色彩、构图、情绪表达、光影氛围。

• 提示词示例：印象派风格的午后咖啡馆，笔触松散、色彩并置、光影颤动，人物与建筑均以莫奈式手法处理。

GPT Image 2.0

FLUX.2 Max

• 维度考点：产品设计、文化元素、色彩、想象力。

• 提示词示例：文创文具系列“敦煌飞天”，包括笔记本、书签与胶带，图案提取壁画经典纹样，配色复刻矿物颜料古韵，兼具文化性与实用性。

GPT Image2.0

Qwen-Image 2.0 pro

• 维度考点：游戏设计、艺术设计、文字准确性、二维空间、清晰度/分辨率、风格控制。

• 提示词示例：2D 像素风 RPG 的城镇场景截图：包含喷泉、武器店、旅馆、NPC 三名；要求像素风格统一、可读性强；画面左上角有简洁 UI：HP 100/100、Gold 250（文字需清晰）。

GPT Image2.0

Seedream 4.0

• 维度考点：艺术设计、情绪表达、色彩、风格控制。

• 提示词示例：毕加索蓝色时期风格的流浪艺人，冷色调主导，人物瘦削忧郁，笔触沉郁，全图情绪与形式统一。

GPT Image2.0

Kling Image 2.1

• 维度考点：风格控制、虚拟场景、全身动作、表情、景别、构图。

• 提示词示例：创作1:1美漫超级英雄风格漫画，粗犷有力的线条勾勒肌肉轮廓，鲜艳夺目的颜色区分正邪势力，剧情精彩，战斗场面热血沸腾。

GPT Image 2.0

Seedream 5.0

总结：通往生产力级别的 T2I 必经之路

生图模型的竞争早已走过“听得懂、画得美”的感知阶段——画质、色彩、基础构图这些能力正快速趋同，成为行业标配。

真正的模型能力分水岭，正在于T2I模型能否跨越到认知层面：理解人类创作任务背后的意图、调用自身领域知识，并进行逻辑推理，将抽象概念转化为具有专业价值的视觉表达。

Qwen-Image-Bench揭示了一条清晰的进化路径：从模型“感知驱动”迈向“认知驱动”。顶尖模型需要理解人类创作需求，并调动自身知识与逻辑推理能。这背后，是语言理解、知识整合与模型审美、创意执行的深度协同。未来属于那些能完成“感知→认知→创造”全链路闭环的多模态模型！