一句话看懂：alphaXiv 收录的一篇论文提出 Arena-T2I Hard 图像生成忠实度基准，从真实竞技场日志中筛出 310 条复杂提示词，最强闭源系统得分仅 0.855，并用依赖感知清单奖励改善训练效果。本文目前仅基于论文摘要与页面信息。
事件核心：发生了什么
论文指出，现有忠实度基准多用简单原子指令，顶级模型已接近满分，难以区分差异。作者构建 Arena-T2I Hard：310 条提示取自公开图像竞技场提交，经人工按长度与清单问题数量筛选，平均约 430 词、约 30 个可分解的是/否约束，覆盖空间关系、风格、文字渲染等六类。评测 11 个闭源系统（用 gemini-3-flash 判定），最强模型 gemini-3-pro-image-preview-2k 得 0.855，ideogram-v3-quality 仅 0.523，系统间差距约 33 个百分点。同一批系统在 DPG-Bench、DSG 上普遍在 0.84 以上，说明旧基准已趋饱和。论文还发现，公开竞技场排名与清单忠实度相关性弱，整体 Bradley-Terry 偏好分更偏向美观而非细粒度遵循。
为什么重要
用户进入创作工作流后，提示词往往同时包含空间布局、风格和文字渲染，单一总分无法说明模型到底漏了哪条约束。该基准把忠实度拆成逐条可核查的问题，并将问题组织成有依赖关系的 DAG：物体不存在时，其属性问题直接判否，避免“椅子不存在却回答椅子是蓝色”的误判。作者进一步把这种清单转化为训练奖励，配合组内归一化的 GDPO 与美学奖励结合，在 SD3.5-Medium 和 FLUX.1-dev 上取得优于单一奖励、加权求和和四奖励 BT 集成的忠实度—美观权衡。这为图像生成模型的训练与评测提供了一条更细粒度的路线。
对用户/开发者/创作者的影响
对创作者，复杂提示词的“看起来不错但漏要求”问题有了更可解释的衡量方式；对开发者，清单式约束可作为奖励信号接入微调流程，但需注意它是压力测试集，不代表全部真实请求的分布；对企业选型，公开竞技场偏好排名不宜单独作为忠实度依据，应结合具体任务评测。目前公开信息显示，这是论文层面的基准与训练方法，尚不等同于已上线产品或 API。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是基准与判定流程是否开源、能否复现；二是依赖感知奖励是否被主流图像模型训练管线采用；三是竞技场排名体系是否会引入细粒度约束指标。相关结论均限于论文所设任务与评测条件。
来源：alphaXiv
