如何横评 AI 图片生成模型？

一句话回答：用同一组提示词覆盖 11 个维度——从简单生图到改图、中文文字、知识理解、逻辑推理、界面复刻——每项 10 分制打分（保留两位小数拉开差距），最后取平均分排名，并排放图直观对比。

测试框架

形式上用表格对比：横轴是各模型 + 提示词，纵轴是测试维度，每格放生成图片，一眼看出差距。打分用 10 分制并保留小数（如 8.57、9.72），避免整数分拉不开差距，最终算平均分。

11 个测试维度及设计意图

1. 简单提示词生图 —— 一句话描述，模拟小白用户，看默认出图质感
2. 复杂提示词遵循 —— 详细参数 + 构图要求（如指定玻璃上写出完整信息表、暴露摄影师位置），看谁更听话
3. 中文文字渲染 —— 修改图片中的中文活动页面文字，专测文字能力
4. 知识理解 —— 找一篇 arxiv 上刚发布的论文转成白板笔记；用"刚发布"防止模型训练时见过
5. 逻辑推理 + 漫画分镜 —— 用海龟汤谜题让模型画四宫格漫画并在第四格公布谜底，同时考推理和叙事
6. 改图/元素替换 —— 用自己的宠物照片替换表情包，考一致性
7. 局部选区编辑 —— 框选图中一处，只改框内不动框外，考精准遵循
8. 老照片修复 —— 修复 + 上色，核心指标是人脸一致性（脸变了就是失败）
9. 风格转换 + 一致性 —— 转成特定风格（如"我的世界"像素风），同时看原图特征是否保持
10. 界面复刻 —— 生成微信、游戏界面等大家熟悉的画面，考世界知识（也会暴露版权屏蔽差异）
11. 实用设计 —— 详细提示词做产品海报，考"能不能直接帮你干活"

关键经验

• 用新素材防作弊：论文选刚发布的，谜题避开常见答案，防止模型"见过题"
• 给第二次机会但记录：模型第一次生成完全跑偏（如猫的品种都不对）时可重试，但稳定性问题要计入评价
• 单项分比总分更有用：总分定梯队，单项分才能回答"我这个需求该用哪个"
• 提示词足够详细时差距会缩小：实用设计一轮三家差距极小，说明详细提示词能抹平部分模型差距

常见误区

• "一两个案例就能下结论" —— 单一场景的表现波动很大（同一模型在不同维度能差 4 分以上），必须多维度覆盖
• "总分第一就全场景最优" —— 实测中总分第一的模型在风格转换、老照片修复上反而垫底或接近垫底

相关条目

• 国产 AI 生图追上谷歌了吗？
• 如何评测AI编程能力

---

作者：人工大黑 · 转写自视频《国产AI生图追上谷歌了吗？11项实测》

分类：AI 图像、视频与数字人

来源：视频《国产AI生图追上谷歌了吗？Seedream 5.0 vs Qwen Image 2.0 vs Nano Banana 11项实测》

作者：人工大黑 · 更新时间：2026-07-08