从 GPT-4o 到 Nano Banana、Seedream 4.0牛小散，今年的大模型想要出圈，"画得好"俨然成了必杀技。
不过，在比拼真实感、艺术性方面，生图模型是神仙打架，在"做题"上，现如今的模型们又到底能力几何？
比如，当指令变成画出 1- 甲基环己烯酸催化水合的反应机理、根据给定的边集画出图的最小生成树，模型能否像相关专业的人类考生一样，真正把知识理解、推理和作图结合在一起？
针对这个问题，上海人工智能实验室、上海交大、清华大学、香港中文大学联合发布了首个多学科文生图考试基准 GenExam。
这一基准参考人类考试中的作图题，覆盖 10 个学科、1000 个严选好题，用"考试思维"重新定义文生图模型的能力边界。
实验结果却让人大跌眼镜：即便是 GPT-4o 这样的顶级模型，严格评分下正确率也仅 12.1%，开源模型更是全部接近 0 分。
这是怎么一回事？
GenExam：不止是"画图"，更是"面向 AGI 的综合测试"
考试是衡量人类达到专家级智能的重要标准，这在理解任务的 MMMU 等基准上已经很有体现。GenExam 则将文生图也视为"人类学科考试"，和传统文生图基准明显不同。它涵盖数学、物理、化学、生物、计算机、地理、经济、音乐、历史、工程 10 个一级学科，每个学科都聚焦"绘图类考题"，题目经过 GPT-5 初筛与人类审核把关，确保严谨性。
类似人类考试，GenExam 的"学科绘图题"有四大核心特征：
"题目"（文生图 prompt）多样、复杂且约束严格，平均长度达到 74.8 个单词，远超普通 T2I prompt，比如"用 H2SO4 和 H2O 作为催化剂，画出 1- 甲基环己烯的酸催化水合反应机理，明确反应物、反应条件、主产物，并根据马尔科夫规则标注羟基位置"；
有明确的"参考答案"（ground truth 图像）提高评测准确性牛小散，有"评分标准"（评分点）逐点检查正确性，平均每道题 6.9 个评分点，比如"催化剂是否为 H2SO4 和 H2O "、"反应物是否为 1 号位有甲基、包含双键的六元环"，每个得分点对应不同权重。
学科知识覆盖深且广，可系统化层级分类，形成严格的"四级学科分类体系"。
需要模型融合理解（读懂考题）、推理（推导过程）、生成（精准绘图）三大能力。
细粒度评测体系
传统文生图评测总纠结"像不像"、"美不美"，但学科绘图更在意"对不对"——化学结构中的一个碳原子 / 物理电路图中的一个箭头画错，整个图就错了。
为此，GenExam 设计了双维度、两标准的评测体系，用 GPT-5 作为"自动阅卷老师"，确保评分客观准确：
两大评测维度
语义正确性：模型画的是不是"符合题意"？基于每道题的评分点，让 GPT-5 做视觉问答（比如"分子是否含 8 个碳原子？"），并提供 ground truth 图片作为参考提高评分准确性，将做对的题的分数之和作为语义分数；
视觉合理性：画对了，但"卷面"好不好？分三项打分。
拼写：公式、标签有没有拼写错；
逻辑一致性：坐标、刻度是不是对应；
可读性：元素有没有遮挡、标签是不是清晰。
严格 / 宽松双标准
严格得分：只有语义全对 + 视觉合理性三项全满分才算正确；牛小散
宽松得分：语义（70% 权重）+ 拼写（10%）+ 逻辑（10%）+ 可读性（10%）的加权平均分，给模型"部分得分"的空间，适合区分模型间的相对差距。
顶尖模型也不及格，开源模型全军覆没
团队测试了 18 个主流模型，包括闭源"顶流"（例如 GPT-Image-1（GPT-4o）、Gemini-2.5-Flash-Image（Nano Banana））、开源专用文生图模型（例如 Qwen-Image、FLUX.1 dev）、理解生成一体化模型（例如 BAGEL、Show-o2），结果让人意外：
闭源模型：即使是表现最好的 GPT-Image-1 严格得分也只有 12.1%。其他闭源模型分数不足 10%。这些模型能画出大致框架（比如苯环的六边形），但细节经常有严重错错误比如少画氢原子、键型标反）。
开源模型：所有模型严格得分均接近 0%，哪怕是表现最好的 Qwen-Image，严格得分也只有 0.3%。统一多模态模型（如 BAGEL、Show-o2）表现还不如专用文生图模型，暴露出"整合学科知识到图像生成"的能力缺失。
当对比宽松得分时，开源模型（10~30 分）和闭源模型（50~60 分）的差距依然明显，在语义正确性、拼写、逻辑一致性、可读性四个方面中都存在显著差异。
错误案例直击痛点
通过定性分析，论文团队总结了模型的三大典型错误：
知识缺失：比如音乐题中画错半音圈的调号顺序；
推理不足：比如几何题中算错函数交点坐标；
视觉疏漏：比如拼写错误、标签错位（如将" -1,0 "标在 y 轴上）。
在学科场景中，任何一个小错误都可能导致"满盘皆输"——这也正是 GenExam 的价值所在：它精准捕捉了文生图模型在"专业场景"中的核心短板。
通向专家级智能
GenExam 将"图像生成"转化为"考试任务"，给文生图模型设立了一个新目标：从"画得好看"走向"画得正确"。
当前，即便是最顶尖的模型，在 GenExam 的考试中也仅处于不及格水平，这既是挑战，也是机遇——它意味着未来的模型需要在知识整合、逻辑推理、精准生成上持续突破，才能真正从"通用图像生成工具"升级为"专业领域助手"。毕竟未来的 AI 不仅要会"创作艺术"，更要能"辅助学习"、"助力科研"，而这些都离不开对学科知识的精准理解与生成。
未来，当模型能轻松通过 GenExam 的多学科考试时，或许我们才能说它们真正迈入了"专家级 AGI "水平。但现在，这场考试才刚刚开始。
GitHub 链接：https://github.com/OpenGVLab/GenExam
论文链接：https://arxiv.org/abs/2509.14232
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见牛小散
万生优配-全国炒股配资门户_在线炒股配资公司提示：文章来自网络，不代表本站观点。
沪深京行情 实时轮播
热点资讯
