概念融合：文本到图像模型中视觉隐喻生成的基准评测

Text-to-image（T2I）模型在忠实呈现指定对象和属性方面已取得显著成功，然而，它们生成视觉隐喻的能力——即通过组合来自两个不同领域的元素来传达抽象概念的图像——在很大程度上仍未被考察。为弥补这一空白，我们提出 VMetaphor-Bench，这是首个用于评估 T2I 模型中视觉隐喻生成的基准。它包含 1,500 个从真实世界创意图像中筛选整理而来的视觉隐喻，分为三个层级和十个类别，每个样本配有两个具体程度不同的提示词。为进行评估，我们在 MLLM-as-judge 范式下构建了一个混合框架，将基于选择题（MCQ）的协议与基于维度的评分协议相结合：前者包含 9,594 个问题，覆盖四个隐喻忠实度层级；后者则沿三个感知维度进行评分。对 11 个具有代表性的 T2I 模型进行的大规模评估表明，即使是最强的专有模型，在组合结构和跨域映射这些隐喻表达的关键方面也表现吃力，这凸显了视觉隐喻生成是未来 T2I 研究的重要前沿。