Qwen-Image-2.1 在公开提示词上：4/7 是协议问题，而非能力问题

📌 One-Sentence Summary

Qwen-Image-2.1 在基准测试中表现不佳源于管道使用错误（缺少提示词重写），而非模型能力不足，这凸显了排行榜分数与实际应用之间的差距。

📝 Summary

文章调查了为何 Qwen-Image-2.1 在 GenEval 基准测试中得分较差（4/7），相比 SenseNova 和 FLUX 等竞争对手。作者证明该失败源于使用原始简短提示词，而非官方推荐的管道，后者包含提示词重写器、更高分辨率（2048²）和更多步数（40）。消融研究显示，仅仅将提示词重写为详细描述即可修复物体丢失问题。然而，增加分辨率和步数并未改善文字渲染准确率，且显著增加了延迟。文章最后以跨九个领域的对比分析作结，强调模型选择应基于具体任务需求（如 UI 设计 vs. 动漫海报），而非综合排行榜分数，因为管道默认设置 heavily 影响结果。

💡 Main Points

基准测试失败往往反映的是协议错误，而非模型局限

Qwen-Image-2.1 在组合任务上的低分源于绕过了官方的提示词重写步骤。使用原始简短提示词导致物体缺失，而重写后的详细提示词则立即解决了这些问题。

分辨率和步数并非质量差距的通用解决方案

虽然更高分辨率在某些图像中修复了结构崩塌，但并未提升文字渲染准确率，且推理时间增加了三倍。这表明不同失效模式需要不同的优化手段。

排行榜分数掩盖了领域特定的优势与劣势

跨九个垂直领域的定制评估显示，没有单一模型在所有类别中占优。例如，SenseNova 在 UI 和人像方面表现优异，而 Qwen 在透明背景和中文长文本渲染方面更胜一筹。

管道默认设置造成了宣传性能与实际性能之间的脱节

用户在复现基准测试结果或在生产环境中部署模型时，必须考虑提示词重写器、默认分辨率和步数等隐藏变量。

💬 Key Quotes

4/7 并不是能力上限 —— 而是我们喂给模型的方式

不要从排行榜总分来估计真实输出质量 —— 一整套管道默认设置夹在中间

对于组合提示词，杠杆是提示词重写，而非分辨率；对于正确文本，杠杆是模型本身，而增加步数毫无作用

📊 Article Meta

AI Screening： 86

Source： DEV Community: machinelearning

Author： Sheng Wang

Category： 人工智能

Language： 英文

Read Time： 8 min

Word Count： 1829

Tags：

AI 与智能应用 , 图像生成 , 模型发布 , AI 产品与应用 , 提示工程