TRACE-Bench：多参考图像生成的分解与诊断基准

尽管在多参考图像生成的统一多模态模型方面取得了近期进展，现有基准仍然围绕预定义任务类型（例如“主体组合”）组织，这限制了它们评估组合泛化的能力。为解决这一差距，我们提出一个新视角：不进行特定任务的评估，而是将多参考生成分解为原子且可组合的操作。通过对现有任务的系统分析，我们识别出一小组核心能力：主体提取、多主体组合、属性绑定和场景组合。然而，这些能力并非独立；它们层级交互，且其复杂度因任务而异。为捕捉这一结构，我们引入多参考生成的组合式表述。认识到多样化的多参考任务共享一组共同的原子操作，我们采用面向能力的视角，并形式化四个算子：Anchor (f)、Disentangle (g)、Apply (⊕) 和 Compose (C)。任何多参考提示随后可表示为这些算子上的组合公式，其结构复杂度通过算子槽位的数量来量化。基于这一表述，我们构建了 TRACE-Bench，包含约 1,600 个评估案例，覆盖槽位数量 1--8，由 631 个公式模板和约 4,000 张参考图像构建，涵盖多样艺术风格和真实世界主体。公式结构直接驱动面向算子的评估协议，用于逐能力评分，以及用于递归故障定位的诊断树分析。评估 9 个领先模型揭示了整体评分无法看到的见解：主要瓶颈在于解纠缠 (g) 和属性绑定 (⊕)，而非场景级组合 (C)，即使最佳模型在属性保真度上也仅得 0.74 分。项目页面：https://amuseum-whr.github.io/TraceBench