一张 AI 生成的图，可以在美学、提示词对齐和人类偏好指标上拿到高分，画面里却藏着扭曲的肢体、相互穿透的物体，或不合理的物理现象。这些错误，并不总能从现有分数中看出来。
这暴露了文生图评估中的一个盲点：画面中的物体、交互和空间关系，是否符合现实世界的约束？缺少专门、系统的衡量，这类问题就难以被量化、比较，也难以成为明确的改进目标。
被 NeurIPS 2026 Evaluations and Datasets Track 接收的 TerraVis，围绕这一问题提出「世界一致性」评估框架：覆盖三个层级、18 类问题，既给出分数，也指出具体问题、视觉证据和严重程度。
- 论文：TerraVis: Towards Evaluation of World-Grounded Visual Consistency in Text-to-Image Generation via MLLM Workflows
- 作者：Shuai Fu、Jing Gu、Jian Zhou、Zicheng Duan、Gengze Zhou、Qi Wu（通讯作者）
- 单位：阿德莱德大学澳大利亚机器学习研究所（AIML）、xAI、Responsible AI Research Centre
- 会议：NeurIPS 2026 Evaluations and Datasets Track
- 论文：https://arxiv.org/abs/2610.02959
- 代码：https://github.com/ShyFoo/TerraVis
- 数据集：https://huggingface.co/datasets/ShyFoo/TerraVis-Annotations
在线体验已开放。上传一张自己的图，查看世界一致性分数和逐项判断依据；也可以先浏览内置示例，直观看看 TerraVis 如何「找问题」。
上传图片体验：https://shyfoo.github.io/TerraVis-web/
图 1 传统指标的高分未必对应较高的世界一致性。对同一提示词生成的图像，美学、对齐和偏好指标选出的最优结果，与人类世界一致性判断并不相同；最右列为真实图像参照。各指标的分数应在同一行内比较。（论文图 1）
01 世界一致性究竟在评什么
世界一致性（World-Grounded Visual Consistency）关注的是：图像中的宏观物体、交互和场景，在结构、空间、物理、生物及常识层面是否合理。评估只看图像本身，不依赖生成提示词。
它与「是否画对题」有明确区别。论文中的电脑桌图像获得了 1.00 的 TIFA 对齐分数，但笔记本电脑的结构明显扭曲，人类世界一致性评分为 0。另一张图却相反：提示词要求「没有水流的喷泉」，模型画出了喷水的喷泉。它没有遵循提示词，画面本身却符合现实，人类与 TerraVis 都给出了最高的世界一致性评分。
图 2 图文对齐与世界一致性衡量不同的问题。左图符合提示词，却存在笔记本电脑结构畸变；右图偏离「没有水流」的要求，但喷泉本身符合现实。文中人类世界一致性分数已归一化至 0–1。（论文图 A4 中的两个案例）
提示词也可能主动要求不符合现实的场景，例如让图书馆里的书悬浮在空中。此时，较低的世界一致性分数不意味着创作失败，而是说明这幅图采用了超现实设定。对齐、偏好与世界一致性，需要分别衡量。
世界一致性也不等于照片般的写实。卡通的简化纹理、插画的平涂色彩、素描省略的细节，都不应被当作问题；但一只正在握杯子的手穿进杯体，就违背了物体之间的空间约束，与画风无关。只要包含可识别的宏观物体或场景，风格化图像同样可评；纯抽象图案、图标、图表和界面截图等不适用内容则返回 N/A。
02 把直觉拆成可检查的问题
为了把「看起来不对劲」转化为可执行的检查，TerraVis 将问题分成三层，共 18 类：物体层面检查身份、结构、解剖、纹理与文字等 7 类问题；交互层面检查接触、支撑、运动、光学等 8 类问题；场景层面检查相对尺度、遮挡和区域连续性 3 类问题。
图 3 世界一致性的三层 18 类检查项。物体层面关注单个对象，交互层面关注对象之间及其与环境的关系，场景层面关注整体空间组织；红圈标出各类问题的代表性视觉证据。（论文分类示意图）
具体评估分四步：先判断图像是否适用，再逐类检测问题、判定主次，最后计算分数。前三步可由多模态大模型执行，第四步采用固定公式。每类问题最多报告一处最显著的异常，并保留受影响的对象和视觉证据。
图 4 TerraVis 的四步评估流程。仅以图像为输入；不适用的图像返回 N/A。适用图像经过逐类检查与主次分级后，得到世界一致性分数及可追溯的问题明细。
「主要」与「次要」取决于问题影响的内容。涉及主体、前景物体或核心事件的记为主要违规；只影响背景或边缘元素的记为次要违规，不能简单按瑕疵大小区分。主实验将两者分别赋权 1 和 0.5，再通过指数函数计分：未检出问题得 1 分，一处次要违规约为 0.61，一处主要违规约为 0.37。分数越低，表示检出的问题越多或越重要。
提问方式同样关键。研究团队将抽象的违规名称改写为具体的视觉条件，例如询问「本应正常接触的两个物体，是否看起来相互穿透」。这样，笼统的整体判断就被拆成了有证据可查的逐项检查。
03 13500 条人工标注检验评估效果
研究团队在 COCO-T2I 和 GenAI-Bench 两个基准上，评测了 SD 3.5-Large、Qwen-Image、FLUX.2-dev、GPT Image 1.5 和 Nano Banana Pro 五个文生图模型。随机抽取其中一半、共 4,500 张图像，每张由三位标注者独立评分，得到 13,500 条人工标注；主实验的自动评估模型为 GPT-5.5。
按「至少两位标注者认为存在问题」的多数票标准，两个基准中存在世界一致性问题的图像分别占 48.6% 和 69.7%。这一比例受提示词构成影响，尤其 GenAI-Bench 包含虚构或不符合现实的要求，因此不能将其直接解释为模型执行生成任务的失败率。
衡量自动指标是否有效，关键是看它与人类世界一致性评分是否一致。合并五个模型的图像后，TerraVis 在两个基准上的 Spearman 秩相关系数分别达到 0.44 和 0.43，在所比较方法中最高；现有指标中表现最好的 RAHF 分别为 0.29 和 0.37。该系数越高，表示排序与人类判断越接近。
图 5 各指标与人类世界一致性评分的 Spearman 相关系数，五个生成模型的图像合并计算。TerraVis 在两个基准上均取得最高相关性；这衡量的是各指标反映世界一致性的能力，并非它们在原有评估任务上的优劣。GPTScore 在 COCO-T2I 上输出恒定，相关系数无法计算。（据论文表 2）
逐项检查是否必要？对照版本 TerraVis-H 获得相同的分类说明和人工评估指南，但直接给出整体分数，其相关系数在两个基准上均为 0.28，低于 TerraVis 的 0.44 和 0.43。即使拿到相同的评估标准，逐项检查仍比整体打分更有效。
检测结果也解释了部分提升：相对人工多数票标签，TerraVis 的召回率从 TerraVis-H 的 15.4% 和 19.8%，提高到 51.9% 和 48.3%。也就是说，它找出了更多人类认为有问题的图像；代价是精确率有所下降，分别为 75.8% 和 89.1%，误报仍然存在。
消融实验进一步支持了三层分类的作用：移除任一层级，相关性都会下降，其中物体层面的贡献最大。逐一移除 18 类检查项也都会使相关性下降，但单项影响较小，下降最多的是结构畸变。
这套流程也能适配不同画风和评估模型。风格化图像上的相关系数为 0.54，写实图像为 0.41；由于风格化样本较少，这支持「同样可以评估」，不足以证明模型更擅长评价风格化图像。将 GPT-5.5 换成开源的 Gemma 4 31B 后，两个基准的相关系数分别为 0.42 和 0.51，显示了采用开源评估模型的可行性。
04 换一个维度 模型排名也会改变
世界一致性带来的变化，直接体现在模型排名上。在 GenAI-Bench 中，GPT Image 1.5 在多项传统指标上领先，但 TerraVis 与人类世界一致性评分都将第一名给了 FLUX.2-dev。Qwen-Image 则获得美学第一，却在人类世界一致性评价中排名第四。
图 6 GenAI-Bench 上五个模型在不同指标下的排名，#1表示第一名。FLUX.2-dev 在 TerraVis 和人类世界一致性评分中均居首；Qwen-Image 的美学第一也未转化为世界一致性的领先。颜色仅表示各指标内部的相对排名。（论文图 3b）
这些结果说明，传统指标上的优势不会自动延伸到世界一致性。作者观察到，FLUX.2-dev 往往生成较简洁的场景，这可能减少出现违规的机会，但这一解释仍属于定性观察，不能据此认定「画面越简单就越正确」。
除了总分，TerraVis 还能给出每个模型的违规构成。文字、标识等符号内容问题，在两个基准的每个模型中都排进前三；物体层面的问题占比最高，但交互与场景层面合计仍占约四分之一到一半。只检查单个物体，仍会遗漏相当一部分问题。
图 7 五个模型在两个基准上的检出违规构成。横轴为某类问题占该模型全部检出违规的比例，反映问题类型的构成，不代表该类问题在所有生成图像中的发生率。符号内容问题普遍突出，交互与场景问题也占有不可忽视的比例。
05 能发现问题 也可能看走眼
具体案例则提醒我们，自动评估仍会出错。TerraVis 能发现部分人类忽略的书页乱码，也会误判猫的结构，或漏掉密集场景中儿童手臂的畸变。面对餐厅里的火烈鸟，三位标注者分别给出 3、5、1 分，说明某些常识边界连人类也难以达成一致。
图 8 TerraVis 与人类判断的四类差异。从左至右为：发现部分人类忽略的文字问题；将人类一致认为合理的图像判为违规；漏检人类一致认为存在的手部和手臂异常；同一图像引发标注者分歧。Human 后括号内为三人的原始 1–5 分评分，括号前为归一化后的汇总分。
多阶段流程还需要更多推理时间，检测环节仍有误报和漏检，18 类检查项也需要随生成模型演进持续修订。TerraVis 的价值，是让世界一致性成为一个可量化的评价目标，并把分数连接到具体视觉问题，帮助研究者比较模型、分析失败类型和确定改进方向。
06 上传你的图 亲自试试 TerraVis
想知道你生成的图，经不经得起这套检查？TerraVis 已提供在线评估页面：拖入、粘贴或选择一张图片，点击 Evaluate 即可提交，无需部署模型，也无需填写生成提示词。
评估时，你能看到 18 项检查的进度；完成后，可以查看总分、问题类型、具体视觉证据和主次分级。对照原图阅读这些反馈，就能了解它为什么给出这个分数，并判断哪些发现值得采纳。
没有现成的图片，也可以先浏览网站内置示例，查看预计算的评估结果。欢迎上传一张你最满意的 AI 生图，看看 TerraVis 能否发现你第一眼忽略的细节。
打开 TerraVis 在线评估：https://shyfoo.github.io/TerraVis-web
TerraVis 补上了文生图评估中长期缺失的世界一致性维度，让「画得是否合理」有了系统的衡量方式。它将「看起来不对劲」的直觉，转化为可量化的分数和可核查的视觉证据，为生成模型改进提供更明确的目标。随着生成图像越来越逼真，世界一致性也应与美学、图文对齐和人类偏好并列，成为衡量文生图模型进步的核心标准。
第一作者简介
付帅，本文第一作者，现为阿德莱德大学澳大利亚机器学习研究所（AIML）博士三年级学生，博士生导师为吴琦教授。主要研究方向为事实一致性图像生成（factually consistent image generation），研究兴趣还涵盖 vision-language learning、robotics 和 reinforcement learning。已有多篇论文被 ICLR、NeurIPS、EMNLP、CoRL 等国际顶级会议接收。
