文生图这两年把「好看」卷出了新高度,但换一种考法就不一定了:一次给 32 张参考图,要求找出散落各处的证据、绑到正确的对象上、再满足 20 项约束,最后拼成一张连贯的图。华南师大、滑铁卢、Vector、CMU、清华、港科大、港大等机构联合 KlingAI Research 发布的 LongBanana 基准做的就是这件事,多位作者在 KlingAI Research 实习期间完成工作,项目页标注已被 NeurIPS 2026 接收。
考的是「查证」,不是「像不像」
LongBanana 收录 90 个任务,按 3×3 分类组织:场景合成、视觉外观、参考推理三大套件,每套件三个子类、每子类十题。每题平均配 32 张参考图、20 项约束、50 个评测点,合计 4,670 条专家逐条写出的原子检查项。出题走逆向构造:专家先从真实场景建一张实体-关系图,再让参考图清单、合成指令和评分标准都对齐到这张图上。至少 30 道题埋了两个以上「硬负样本」——长得像、用上去就错的干扰图,专治模型想当然。作者称这是首个由专家设计并专家验证的长上下文多参考图像合成基准。
分数怎么算才可信
评测同样围绕实体-关系图展开:节点、边和全图义务被逐条转成检查项,分内容保真、关系绑定、全局约束满足三类;三位评审分别负责这三类,可选 OCR、计数、布局、身份工具辅助,每个判断都要先留证据记录再聚合,按 0/1/2 三档打分。人工审核池覆盖 90 题 × 10 种生成条件,共 900 张输出、46,700 条已复核标签;15% 的双标子集完全一致率 89.4%,二次加权 kappa 0.83。这套流程把「图好不好」变成了可逐条审计的证据链,而不是一句「看起来不错」。
agent 反而暴露了短板
配套的 LongBanana-Gen 给出工作流层面的答案:RPR,把 ReAct、计划-执行与反思串起来——先检索证据,再组织生成,发现绑定错误就回头修。但实验结论并不一边倒:极简 agent 工作流就能压过直接生成,RPR 也在报告的各框架上抬高了 checklist 平均分;可到了任务通过率上,OpenCode 和 Hermes-Agent 反而下降。换句话说,推理链越长,引用错证据的机会也越多,更会推理不等于绑对参考。
所以呢
图像生成的下一个瓶颈不在像素,在证据。当输入从「一句提示」变成「一堆材料」,考验的就是检索、绑定与核查能力,这正是长上下文多模态最缺的基建。数据集已上架 Hugging Face(Kwai-Kolors/LongBanana),代码与数据在项目页公开。下次再看到「文生图屠榜」,不妨先问一句:它能在 32 张参考图里,找对那张真正该用的吗?