全面評測圖像編輯模型推理能力：所有模型在程序性推理方面表現差

KRIS-Bench團隊 投稿
量子位 | 公眾號 QbitAI

人類在學習新知識時，總是遵循從“記憶事實”到“理解概念”再到“掌握技能”的認知路徑。

AI是否也建立了“先記住單詞，再理解原理，最后練習應用”的這種知識結構呢？

測評一下就知道了！

東南大學聯合馬克斯·普朗克信息研究所、上海交通大學、階躍星辰、加州大學伯克利分校與加州大學默塞德分校的研究團隊，共同提出了KRIS-Bench（Knowledge-based Reasoning in Image-editing Systems Benchmark）。

首創地從知識類型的視角，對圖像編輯模型的推理能力進行系統化、精細化的評測。

借鑒布魯姆認知分類與教育心理學中的分層教學理念，KRIS-Bench讓AI在事實性知識（Factual Knowledge）、概念性知識（Conceptual Knowledge）與程序性知識（Procedural Knowledge）三大層面上，逐步接受更深入、更復雜的編輯挑戰。

基于認知分層的三大知識范疇

• 事實性知識（Factual Knowledge）：如顏色、數量、空間與時間這些可直接感知的信息；
• 概念性知識（Conceptual Knowledge）：涉及物理、化學、生物等學科常識，需要對世界進一步的理解；
• 程序性知識（Procedural Knowledge）：多步操作與規則推理，考察模型的任務分解與推理能力。

KRIS-Bench在每個類別下又細化出7大推理維度、22種典型編輯任務，從“物體計數變化”到“化學反應預測”、“多元素合成”等，覆蓋了從初級到高級的全譜系難度。

• 樣本總量：1,267對圖像–指令，全部由專家團隊手工打磨、反復校對；
• 數據來源：包含真實照片、開源基準、模型生成、3D渲染等多樣分布，防止模型投機取巧。

四維度自動化評估指標

借助多模態大模型與人工校準，KRIS-Bench首創從四個維度對編輯輸出打分：

1. 視覺一致性（Visual Consistency）：非目標區域是否保持原貌；
2. 視覺質量（Visual Quality）：生成圖像的自然度與無失真度；
3. 指令跟隨（Instruction Following）：指令要點執行的完整性與準確性；
4. 知識合理性（Knowledge Plausibility）：結果是否符合真實世界的常識與規律。

深度知識任務還附帶手工知識提示，以幫助評判模型是否真正“理解”了背后的原理。

10款模型全面測試

KRIS-Bench評估了3款閉源（GPT-Image-1、Gemini 2.0 Flash、Doubao）和7款開源（OmniGen、Emu2、BAGEL、Step1X-Edit、AnyEdit、MagicBrush、InstructPix2Pix）模型。

• 閉源旗艦GPT-Image-1遙遙領先，開源黑馬BAGEL-Think通過引入推理過程提高了在知識合理性上的性能表現，但離閉源模型仍有一定的距離。
• 即使對于最簡單的事實性知識，許多模型在例如數量變化，大小改變上的表現依舊差強人意。
• 所有模型在“程序性推理”、“自然科學”及“多步驟合成”任務上普遍失分，顯示出深層推理能力的嚴重不足。

借助KRIS-Bench，團隊正推動圖像編輯模型脫離單純的“像素搬運”，向具備人類般認知能力的“視覺智者”邁進。

未來，團隊期待編輯不再是“換換顏色”“挪挪位置”這么簡單，而是在內部植入物理、化學、社會常識與因果推理，真正讓 AI 明白“為什么會這樣”和“接下來會怎樣”。

感興趣的朋友可以戳下方鏈接獲取更多細節

項目地址：https://yongliang-wu.github.io/kris_bench_project_page/
論文地址：https://arxiv.org/abs/2505.16707
代碼地址：https://github.com/mercurystraw/Kris_Bench

— 完 —