盡管目前文生圖模型（Text-to-Image Models）在生成高保真圖像上表現(xiàn)卓越，但在應(yīng)對空間感知、空間邏輯推理及多目標(biāo)空間交互等貼合現(xiàn)實(shí)場景的復(fù)雜空間智能任務(wù)時往往力不從心?，F(xiàn)有評估基準(zhǔn)主要依賴簡短或信息稀疏的提示詞，難以覆蓋復(fù)雜的空間邏輯，導(dǎo)致模型在這些關(guān)鍵空間智能維度上的能力缺陷被嚴(yán)重低估。

來自阿里高德的一篇最新 ICLR 2026 中稿論文《Everything in Its Place: Benchmarking Spatial Intelligence of Text-to-Image Models》提出了面向文生圖空間智能的系統(tǒng)性評估基準(zhǔn) SpatialGenEval，旨在通過長文本、高信息密度的 T2I prompt 設(shè)計，以及圍繞空間感知、空間推理和空間交互的 10 大空間智能能力維度設(shè)計，深入探測文生圖模型的空間智能能力邊界。

SpatialGenEval 將生圖空間智能能力細(xì)分為 4 大維度，10 個子維度，覆蓋 25 個現(xiàn)實(shí)應(yīng)用場景，基于 23 個 SOTA 模型的評估結(jié)果表明當(dāng)前模型的空間智能能力仍有待大幅提升

• 論文標(biāo)題：Everything in Its Place: Benchmarking Spatial Intelligence of Text-to-Image Models
• 論文鏈接：https://arxiv.org/abs/2601.20354
• 論文代碼：https://github.com/AMAP-ML/SpatialGenEval

核心挑戰(zhàn)：目前 T2I 模型空間認(rèn)知 “淺表化” 與邏輯缺失

現(xiàn)有文生圖模型雖然能夠很好地完成 “生成什么”（What）的語義對齊，但在處理 “空間位置在哪里”（Where）、“空間如何排列”（How）以及物理世界中的 “空間交互邏輯”（Why）時，面臨著從 “基礎(chǔ)感知” 到 “高階推理” 的全方位挑戰(zhàn)，包括：

1. 空間基礎(chǔ)的 “屬性漂移” 與缺失：模型雖然能畫出物體，但在信息密集提示詞下，常出現(xiàn)物體漏畫或?qū)傩越壎ㄥe誤，無法維持 “萬物各司其職” 的基礎(chǔ)對齊能力。

2. 空間感知的 “幾何偏見”：在處理物體精確位置、朝向及特定排列布局時，模型往往傾向于生成 “默認(rèn)姿態(tài)”（如正面視圖），難以跨越 2D 畫布實(shí)現(xiàn)精準(zhǔn)的空間定位。

3. 空間推理的 “邏輯盲區(qū)”：這是當(dāng)前模型最大的短板。在涉及相對數(shù)值比較（如 “紅椅比藍(lán)椅大兩倍”）、3D 遮擋關(guān)系及物理距離鄰近性時，模型得分接近隨機(jī)猜測，表明其缺乏對真實(shí)物理世界層級和深度的認(rèn)知。

4. 空間交互的 “動態(tài)失真”：模型難以捕捉物體間的動態(tài)瞬間（如跳躍中的足球）或物理因果邏輯（如撞擊導(dǎo)致的破碎），無法將潛藏的物理動力學(xué)轉(zhuǎn)化為邏輯自洽的視覺圖像。

上：當(dāng)前生成模型在感知、推理和交互上的錯誤樣例；下：當(dāng)前評估基準(zhǔn)存在信息稀疏 / 粗粒度 yes-or-no 評估

SpatialGenEval：涉及空間基礎(chǔ)、感知、推理和交互的空間智能 “全科掃描”

為了系統(tǒng)化地定義和評估文生圖模型 “空間智能” 能力，研究團(tuán)隊構(gòu)建了一個層次化框架，將空間智能解構(gòu)為 4 大領(lǐng)域及 10 個關(guān)鍵子維度：

1. 空間基礎(chǔ) (S1/S2)：多目標(biāo)物體類別（S1）、多目標(biāo)屬性綁定（S2）。

2. 空間感知 (S3/S4/S5)：空間位置（S3）、空間朝向（S4）與空間布局（S5）。

3. 空間推理 (S6/S7/S8)：空間大小 / 長度 / 高矮等比較（S6）、空間鄰近性（S7）與空間位置遮擋（S8）。

4. 空間交互 (S9/S10)：空間運(yùn)動交互（S9）與空間因果交互（S10）。

該基準(zhǔn)測試覆蓋自然、室內(nèi)、戶外、人類活動及藝術(shù)設(shè)計等 25 個現(xiàn)實(shí)世界場景，為其精心構(gòu)建了 1,230 條 長文本、信息密集型提示詞。每個提示詞均深度融合了上述從基礎(chǔ)屬性、布局到高階遮擋、因果推理等 10 個空間子領(lǐng)域及對應(yīng)全維度問答。值得注意的是，每個提示詞長度約 60 詞，允許同時兼顧依賴 CLIP 編碼模型（77 tokens 限制）和保持高度信息密集。

SpatialGenEval 評估數(shù)據(jù)構(gòu)建流程

SpatialGenEval 所有 10 個空間維度的提示詞及其問題展示

核心發(fā)現(xiàn)：空間推理仍是主要瓶頸

研究團(tuán)隊對 23 款前沿的開源與閉源 T2I 模型進(jìn)行了詳盡評估，揭示了以下行業(yè)現(xiàn)狀：

• 空間推理是核心薄弱環(huán)節(jié)：在涉及比較和遮擋的空間推理子任務(wù)中，多數(shù)模型的得分僅在 30% 左右，接近隨機(jī)猜測水平（20%），這表明目前的模型普遍缺乏對 3D 場景結(jié)構(gòu)和邏輯關(guān)系的理解。
• 開源模型正快速追趕：評測顯示，最強(qiáng)的開源模型 Qwen-Image (60.6%) 表現(xiàn)已與頂級閉源模型 Seed Dream 4.0 (62.7%) 基本持平，但均僅達(dá)到及格線水平，空間智能仍有巨大提升空間。
• 強(qiáng)大的文本編碼器至關(guān)重要：使用高性能 LLM（如 T5 或大型語言模型）作為文本編碼器的模型（如 FLUX.1），在解析復(fù)雜空間指令時顯著優(yōu)于僅依賴 CLIP 的模型。

基于 Qwen2.5-VL-72B-Instruct 的自動化評估結(jié)果

左：所有評估模型的錯誤類型分布；右：高優(yōu)模型的錯誤類型分布

數(shù)據(jù)中心范式：提升模型空間智能的有效路徑

除了評估，該研究還提出了一種基于已有生成圖像的改進(jìn)方案。團(tuán)隊通過多模態(tài)大模型（MLLM）重寫提示詞以確保圖文一致性，構(gòu)建了包含 15,400 對圖文數(shù)據(jù)的 SpatialT2I 數(shù)據(jù)集。對主流三大類模型（Diffusion-based, AR-based，Unified-based 模型）進(jìn)行監(jiān)督微調(diào)結(jié)果在空間評估指標(biāo)有顯著增益，生成的圖像在物理邏輯和空間布局上更具真實(shí)感。

微調(diào)模型后的生成結(jié)果對比

總結(jié)與展望

SpatialGenEval 為 T2I 模型從 “美學(xué)生成” 邁向 “邏輯感知” 建立了一條新的評估路線，只有讓模型真正理解 “萬物各得其所 (Everything in its place)”，生成式 AI 才能在機(jī)器人輔助、室內(nèi)設(shè)計、自動駕駛仿真等對空間維度有嚴(yán)苛要求的領(lǐng)域中釋放真正的生產(chǎn)力。

作者團(tuán)隊介紹

阿里高德的機(jī)器學(xué)習(xí)研發(fā)部，承接公司重點(diǎn)業(yè)務(wù)，包括本地生活場景中的廣告創(chuàng)意、商品理解、內(nèi)容智能創(chuàng)作和分發(fā)，出行場景的 AI 智能化等，部門研究領(lǐng)域廣泛，包括但不限于以下方向：(1) 多模態(tài)大模型；(2) 圖像生成 / 編輯美化；(3) 視頻生成 / 理解；(4) Agent; (5) 時空數(shù)據(jù)挖掘；(6) 智能推薦；(7) 高性能推理等。團(tuán)隊技術(shù)氛圍好，成長空間大，擁有充足的研發(fā)資源和大量的業(yè)務(wù)應(yīng)用數(shù)據(jù)，多篇論文入選 paper digest 最有影響力論文名單。