painting 胜于思考：文本到图像模型能否为舞台铺垫但不能指挥剧情？

文本到图像（T2I）生成旨在合成由文本提示指定的图像，这些提示共同指定必须显示的内容并暗示可推断的内容，从而对应两种核心能力：\textbf{\textit{构图} 和 \textbf{\textit{推理}}。尽管 T2I 模型在构图和推理方面近期取得了进展，现有基准在评估方面仍受限。它们不仅未能在构图和推理的广度和深度上提供全面覆盖，而且大大限制了评估在低场景密度和简单一对一推理方面的范围。为克服这些限制，我们提出了 \textbf{\textsc{T2I-CoReBench}}，一个全面且具有挑战性的基准，用于评估 T2I 模型的构图和推理能力。为确保全面性，我们将构图结构围绕场景图元素（\textit{实例}、\textit{属性} 和 \textit{关系}）展开，将推理围绕推理哲学框架（\textit{演绎}、\textit{归纳} 和 \textit{归谬}）展开，形成 12 维评估分类学。为提高复杂度，基于固有的现实世界复杂性，我们为每个提示构建更高的构图密度以满足构图要求，并增加推理强度以满足推理要求。为便于细致可靠的评估，我们还为每个评估提示配对一个清单，指定用于独立评估每个预期元素的 \textit{是/否}问题。统计数据方面，我们的基准包含 1,080 个具有挑战性的提示以及约 13,500 个清单问题。38 个当前 T2I 模型的实验结果表明，其构图能力在高构图情景中仍受限，而推理能力在后续跟进，所有模型在从提示中推断隐式元素方面都受到挑战。