English(EN) T2I Models Rarely Invert Negation but Often Fail to Suppress Negated Concepts: Benchmarking Negation Suppression in Text-to-Image Generation

新基准显示文本到图像模型在处理否定时存在困难

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-09 05:00

一个新的基准 T2I-NSI 被开发出来，用于评估文本到图像扩散模型在处理否定方面的能力。该基准显示，这些模型经常无法抑制被否定的概念，例如当提示“一张没有台灯的桌子”时，不会生成台灯。开放权重模型的否定敏感度较低，得分低于 0.038，而 GPT-Image-1.5 和 Gemini-2.5-Flash-Image 等模型表现稍好，约为 0.09。一个重要的发现是几乎不存在反向解释，这意味着模型很少将否定理解为包含相反概念的指令。 AI

影响突出了当前文本到图像模型的一个关键限制，可能指导未来的研究朝着更强大的否定处理方向发展。

排序理由该集群包含一篇介绍评估 AI 模型能力新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇介绍评估 AI 模型能力新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Akansha Gautam, Aparna Bharati, Mayank Vatsa, Richa Singh · 2026-11-09 05:00

T2I模型很少反转否定但经常无法抑制否定概念：文本到图像生成中的否定抑制基准测试

arXiv:2611.09304v1 Announce Type: new Abstract: Text-to-image diffusion models often fail to suppress explicitly negated concepts, such as a lamp for "a desk without a lamp." We introduce T2I-NSI, a benchmark and metric for measuring negation sensitivity in text-to-image generati…

本文如何被排名

报道来源 [1]

T2I模型很少反转否定但经常无法抑制否定概念：文本到图像生成中的否定抑制基准测试

相关实体

相关话题