Qwen发布Qwen-Image-Bench，将T2I评测从提示词对齐扩展到真实世界保真度与创意生成能力，含1000条prompt和56个细粒度facet，并配套与人类对齐ρ=0.92的Q-Judger评判模型。该基准可解释诊断现有SOTA模型差距，开发者、提示词工程师和企业可将其用于pipeline测试、创意prompt自测及T2I供应商选型。
Qwen新发布的Qwen-Image-Bench，把T2I评测从“生成”直接拉到“创作”：
56个细粒度facet + ρ=0.92人类对齐Q-Judger，OpenAI、Gemini、Grok、Flux全得重排座次！
大家还在死磕提示词对齐，Qwen却证明：真实世界保真度和创意生成能力才是真正差距。
新基准1000条prompt+56个rubric，可解释诊断，现有SOTA模型差距肉眼可见。
那么，对于我们有什么实际使用价值呢？
实际怎么用？（收藏）
1. 开发者/研究者：把自己的T2I pipeline（不管是Qwen自家模型、GPT-4o图像、Gemini的Imagen系列、Grok的Flux集成还是开源SD3）扔到这个benchmark上跑一遍。
重点看Real-world Fidelity和Creative Generation两个支柱的得分，就能知道真实差距在哪。
2. Prompt工程师：以后写复杂创意prompt时，可以用Q-Judger先自测一下生成结果在56个facet上的表现，快速迭代，而不是靠人工肉眼判断。
3. 企业/产品方：要选T2I供应商或者自研图像生成时，把Qwen-Image-Bench当作新标杆。
别再只看“prompt alignment”这种基础分了，直接看创意和保真度得分，更接近真实商业场景。
4. 对比实验：论文已经证明，它在区分领先模型上的分离度远超老基准。
想验证自己模型有没有进步？用这个跑前后对比，数据会说话。
Qwen这次的打法很清晰：不光自己卷模型，还把评测标准往前推了一大步。
就像当年Scaling Law出来后大家才知道该怎么卷参数一样，这次Qwen-Image-Bench把“从生成到创作”的评价框架给立住了。
Qwen @Alibaba_Qwen just dropped a new Text to Image benchmark + a judge model huggingface.co/collections/Q… ✨ 56 fine-grained evaluation facets ✨ Measures creativity beyond prompt alignment ✨ Covers storytelling/typography/design & physical logic ✨ Human aligned judge model (ρ = 0.92)在 X 查看被引用的帖子
来源：@berryxia · x.com