DetailMaster：你的文本到图像模型能否处理长提示词？

尽管近期的文本到图像（T2I）模型在从简短描述合成图像方面展现出令人印象深刻的能力，但当面对专业应用所需的长而细节密集的提示词时，其性能显著下降。我们提出 DetailMaster，这是首个专门用于评估 T2I 模型系统化处理包含复杂组合需求的长文本输入能力的综合基准。我们的基准引入了四个关键评估维度：字符属性、结构化字符位置、多维场景属性以及空间/交互关系。该基准包含平均长度为 284.89 个 token 的长而细节丰富的提示词，其高质量已由专家标注者验证。在 7 个通用型和 5 个长提示词优化型 T2I 模型上的评估揭示了关键性能局限：最先进的模型在属性绑定和空间推理等关键维度上仅达到约 50% 的准确率，且所有模型均随提示词长度增加而表现出渐进式性能退化。我们的分析揭示了组合推理的根本性局限，表明当前编码器将复杂语法结构扁平化，且扩散模型在细节密集条件下遭受属性泄漏。我们开源了数据集、数据整理代码和评估工具，以推动细节丰富的 T2I 生成，并实现在缺乏专用基准的情况下此前无法实现的应用。