你有没有试过让AI画一幅图，图是画出来了，但明显是"看图说话"式的敷衍。比如你说"画一个天平，左边放着图一里的硬币，右边放着图二的橙子之后的样子"，它可能把硬币和橙子都画上去了，但天平该怎么倾斜，它压根没算。
这就是今天要聊的这篇论文想捅破的窗户纸。上海交通大学联合东南大学、华南理工、复旦、华东师大等几所高校的研究团队，搞了一个叫**RISEBench++**的评测体系，专门用来检验AI图像编辑模型是不是真的在"推理"，而不是单纯地"看图找相似物体往上贴"。
这篇论文有点意思的地方在于，它不是第一次干这件事。它的前身RISEBench在2025年的NeurIPS（人工智能顶级会议之一）上拿了Oral奖，是入选论文里前0.35%的那批。这次的RISEBench++算是一次大升级，题库从360道扩充到1000道，支持的能力也从单一维度扩展到六大类，还顺带搞了一个能自己动脑子解题的"RISE-Agent"系统。
先说说这事到底难在哪。
AI能看懂图，能听懂话，但不代表它能"推理着画图"
过去几年，大型多模态模型（LMM）在"看图说话"（视觉理解）和"凭空画图"（图像生成）两件事上都进步神速。于是有人想，既然这两样都会了，那把图片拿过来改一改总没问题吧？
多模态模型*：一种既能理解图片和文字，又能生成图片和文字的AI系统，打通了"看"和"画"两种能力。
现实很打脸。研究团队发现，现有的开源模型在三件事上普遍拉胯：第一是看不懂复杂指令，第二是改完图之后原图的东西全变了样（appearance consistency，也就是外观一致性崩了），第三是只能处理单张图，碰到"给我两张图，把图二的东西放进图一"这种需求就歇菜。
但这时候，GPT-image系列和Google的Nano Banana系列杀出来了，表现得明显比开源模型强。这些模型展现出一种叫"推理驱动的视觉编辑"（Reasoning-Informed viSual Editing，缩写RISE）的能力，简单说就是能根据常识和逻辑去推断图片该怎么改，而不是死板地执行字面指令。
问题是，当时没有一个靠谱的尺子去量这种能力。你说A模型比B模型"更会推理"，凭什么？凭感觉吗？这就是RISEBench要解决的事。
这就好比你想比较两个厨师谁更懂"随机应变"，光让他们各做一道菜没用，因为简单的菜谁都能照着菜谱做好。你得设计一些刁钻的场景，比如"客人说不吃辣，但家里只有辣椒酱"，看他们是乖乖端上辣的菜，还是真的会动脑子换个思路。如果没有这种刁钻的测试，所有厨师看起来都差不多"熟练"，但真正懂变通的那个永远被埋没。
六维推理分类，把"动脑子"这件事拆解到了65种具体任务
RISEBench++最核心的贡献，是把"推理能力"这个模糊的概念，拆解成了六个维度：时间推理、因果推理、空间推理、逻辑推理、反事实推理，还有把这几种混在一起用的混合推理。
这六类又能归到三种不同的"动脑子"方式里。时间推理和因果推理属于知识驱动型，意思是只要你知道相关的常识或专业知识，不需要绕太多弯子就能推出答案。比如"画出三小时后沙漏的样子"，你只要懂物理常识，一步就能想明白。
空间推理和逻辑推理则是感知驱动型，这类任务要求模型先从图片里"看懂"隐藏的空间结构或者规律是什么，再基于这个理解去推导答案。比如给你几组输入输出的图案变化示例，让你总结出规律，再套用到一张新图上。这比单纯查知识库难多了，因为规律得自己从图里找。
反事实推理是想象驱动型，要求模型一边调用现实知识，一边故意打破这个知识去构造一个"不可能但说得通"的场景，比如"画出摩托车装了方形轮胎会是什么样"。
最后的混合推理，则是把前面几种串起来做多轮编辑，一步步推进，同时还要保证每一步画面的连贯性。
六大类往下又细分成了12个子类，再往下是65种具体的任务类型。举个例子，时间推理下面有"常识性知识"（比如生命成长、物品老化）、"情境知识"（比如从图里的时钟读出时间，推算之后的状态）、"学科知识"（比如化学反应、天文现象）三个子类。这个层层细分的设计，让研究者能精确诊断出一个模型到底是哪个具体能力不行，而不是笼统地说"推理能力一般"。
这种分类方式有点像医院的体检报告。你去体检，报告不会只给你一个"健康"或"不健康"的总分，它会分出血常规、肝功能、心电图各项指标，每一项单独打分。这样医生才能告诉你具体是哪里出了问题，是肝有点脂肪，还是血脂偏高。如果只给一个笼统的总分，你连该去挂哪个科都不知道。RISEBench++对AI模型做的就是这种精细体检，而不是笼统的一刀切打分。
整个题库最终定格在1000道题，中英文各一份，时间、因果、空间、逻辑各200题，反事实和混合各100题。而且这1000道题不光支持单图输入，还支持多图输入和多轮对话式的编辑，这在同类评测里算是比较全面的设置了。
三把尺子：指令推理、外观一致性、视觉合理性
光有题库还不够，得有打分标准。研究团队设计了三个评估维度。
第一个叫指令推理（Instruction Reasoning），考察模型是不是真的理解并执行了指令里的显性要求和隐性逻辑。第二个叫外观一致性（Appearance Consistency），考察改图之后，没被要求改动的部分有没有莫名其妙地跟着变。第三个叫视觉合理性（Visual Plausibility），考察改动的部分看起来自然不自然，有没有扭曲、模糊这些瑕疵。
这三把尺子怎么量呢？研究团队先找了真人专家打分，建立评判标准，然后训练了一套"用AI裁判AI"的流程（LMM-as-a-Judge），让大模型自动打分，省去大量人工成本。
LMM-as-a-Judge*：用一个强大的多模态大模型充当裁判，去给另一个模型生成的图片打分，以此替代昂贵的人工评测。
但这里有个关键问题，机器裁判靠谱吗？团队专门做了人类对齐实验，找了100个样本，收集两个模型（Nano Banana Pro和Qwen-Image-Edit-2511）生成的200张图片，让四位人类标注员打分，再去跟各种候选的AI裁判模型比对。结果发现Gemini-3-Flash在指令推理和外观一致性这两项上跟人类打分最接近，平均绝对误差（MAE）只有0.48和0.58，斯皮尔曼相关系数（衡量两组数据排序一致性的指标）高达0.84和0.61。而视觉合理性这一项，用更轻量的Gemini-3.1-Flash-Lite反而对齐得更好，误差只有0.27。于是团队就拍板，前两项用Gemini-3-Flash打分，最后一项用成本更低的Gemini-3.1-Flash-Lite，兼顾了准确性和效率。
这套机制挺像考试阅卷的双盲抽检。你不能完全信任一个阅卷老师的尺度，得先拿一批样卷，让这个老师和权威专家同时打分，看看吻合度够不够高，吻合度高了才敢把剩下几千份卷子都交给他改。如果没有这一步校准，机器打的分数可能完全是另一套逻辑，你拿着一个不靠谱的尺子去量58个模型，结论全都站不住脚。
58个模型大乱斗，最强选手也只拿到56.6分
把尺子立好了，接下来就是真刀真枪地测。团队总共评测了58个视觉编辑方案，包括19个闭源模型、34个开源模型，还有5个带"智能体"色彩的代理方法。
结果最抓人眼球的一点是，表现最好的GPT-Image-2.5 Sunburst，总体准确率也只有56.6%。这意味着什么？意味着即便是当前最顶尖的商业模型，拿到这套题，及格线都没摸到一半以上的把握。放在2026年这个时间点，这个数字相当刺眼，因为它说明"推理式图像编辑"这件事远没有大家以为的那么成熟。
具体排名上，Nano Banana Pro和Nano Banana 2分列二三名，准确率分别是54.6%和50.8%。开源模型里表现最好的是HunyuanImage-3.0-Instruct，只有23.0%，跟闭源第一名差了33个百分点，这个差距相当巨大。
更有意思的是分类目的表现差异。像GPT-Image-2.5 Sunburst这种强模型，在时间、因果、空间、反事实推理这四类上能打到67.5%、69.0%、64.0%、72.0%，表现都不错。但一碰到逻辑推理和混合推理，分数直接腰斩，分别只有27.0%和39.0%。Nano Banana Pro在因果推理上能拿71.0%，逻辑推理和混合推理却只有36.0%和38.0%。
这说明一个规律，只要是能靠"查知识库"解决的问题，现在的模型基本都手拿把掐。但一旦需要模型自己从图里发现隐藏的规律，再套用到新场景，难度就陡然上升。
这就像让一个学生去考试，背诵默写题他都能拿满分，因为这是记忆的事。可一旦出现"给你几道例题，让你自己总结出规律，再去解一道没见过的新题"，正确率立马掉下来，因为这需要的不是记忆，是真正的归纳推理。而现在的AI模型，恰恰是在"归纳"这一环节最薄弱。
研究团队还专门统计了三个评估维度各自的平均分，画成图表后发现一个很扎心的事实：大部分模型的视觉合理性（画面清不清晰、自不自然）得分都挺高，外观一致性（没改的部分保没保住）也不错，唯独指令推理这项拉得稀烂，模型之间的差距也最大。换句话说，当前这波模型的瓶颈已经不是"画得好不好看"，而是"到底该不该这么画、改哪里"。这是个重要的信号，说明接下来的研究方向应该聚焦在推理能力，而不是继续卷生成画质。
RISE-Agent：给AI装上"先想清楚再动手"的脑子
既然发现了推理是瓶颈，研究团队没有止步于发论文吐槽，而是动手做了一套叫RISE-Agent的系统，试图用工程手段把这个短板补上。
RISE-Agent的设计思路分成三步：规划者（Planner）、执行者（Executor）、验证者（Verifier），形成一个闭环。
规划者先分析图片和指令，判断这个任务能不能靠常识直接推理出答案。如果需要额外的专业知识，就去联网搜索。如果这个问题能转化成一个结构化的计算任务，比如最短路径搜索、数独求解、坐标几何运算，规划者还能调用七种专门写好的代码工具去算出精确结果，而不是凭感觉瞎猜。
智能体（Agent）*：一种能够自主分析问题、调用工具、执行操作并根据反馈调整策略的AI系统，相当于给模型装上了"手脚"和"决策流程"。
规划完了之后，执行者负责把计划变成实际的图片操作。这里有个很聪明的设计，执行者不是只会用生成模型去"画"，还配备了一套包含12种确定性操作的编程工具箱，比如画直线、画多边形、改文字、改颜色、挪动内容。为什么要这么麻烦？因为纯生成式的编辑模型经常会"手滑"，你让它只改一个小格子的颜色，它可能把周围的像素也一起改了。对于逻辑推理这种涉及精确几何图形、符号标注的任务，这种误差是致命的。用编程工具直接在画布上做精确操作，未触碰的像素完全不变，这就从根本上避免了生成模型"手抖"的问题。
执行完了，验证者登场，检查这次生成是不是满足了指令要求、背景有没有被破坏、画质好不好。根据检查结果，验证者会选择三种动作之一：通过、局部修复，或者打回重新规划。如果只是小瑕疵，验证者会给出一条简短的修正指令，决定用生成式方法还是编程工具去修。如果发现从一开始推理方向就错了，直接打回让规划者重新想。
这整套流程就很像装修工程里的"监理制度"。你不能只找一个施工队，让他们按图施工就完事，万一图纸本身理解错了呢？得有设计师先看懂需求画出施工图（规划者），施工队按图精确施工（执行者），再有监理专门检查每一步有没有问题，发现瑕疵就让工人返工，发现图纸本身设计错了就打回去重新设计（验证者）。如果省掉监理这一环，施工队很可能按照一个错误的理解，兢兢业业地把房子盖歪了，而且盖到最后才发现问题，返工成本更高。
效果如何？研究团队做了消融实验（逐步去掉各个组件看效果变化），用FLUX.2 Klein 9B这个基础模型打底，不加任何组件时总分只有12.9%。加上规划者之后，总分一下跳到40.5%，涨幅相当惊人，尤其是在时间和因果推理这两类上提升最明显。这说明很多失败案例的根源，其实不在于"画不出来"，而在于模型压根没想清楚"该画什么"。规划者把"想清楚目标状态"和"真正动手去画"这两件事拆开来做，减轻了生成模型的负担。
再加上编程工具，总分升到42.6%，逻辑、因果、反事实推理这几类都有明显提升，但有意思的是，时间和空间推理这两类反而略微下降了。这也符合逻辑，因为这两类任务大多是对自然照片进行编辑，编程工具这种硬邦邦的操作反而不适合处理自然场景的细腻变化，容易引入不自然的痕迹。
最后加上验证者的反复检查和修正，总分涨到48.0%，在六个类别里有五个都拿到了组内最佳。只有空间推理这项提升有限，研究团队推测这是因为验证者本身对空间关系的理解能力也有限，相当于监理自己对某个专业领域也不太懂，检查不出深层问题。
整体来看，RISE-Agent最终拿到了48.0%的总分，虽然还是没超过GPT-Image-2.5 Sunburst的56.6%，但已经超过了绝大部分闭源商业模型，也远超其他几个同类的智能体方案（比如MindBrush只有21.8%，IntentEdit只有13.2%）。考虑到RISE-Agent是完全不需要额外训练的（training-free），底层用的还只是一个开源的FLUX.2 Klein 9B模型，这个成绩相当能打。
研究团队还专门把RISE-Agent拿到另一个叫KRIS-Bench的评测体系上跑了一遍，验证它是不是只对RISEBench++这一套题目"开小灶"。结果RISE-Agent拿到了88.12分，超过所有开源模型，也超过了其他智能体方法，证明这套"先想后画再检查"的思路具备一定的泛化能力，不是单纯的应试技巧。
从具体案例看模型的"软肋"
论文里放了不少直观的对比案例，挺能说明问题。
比如有一道题，让模型根据第一张图里的当前视角（埃菲尔铁塔的实拍照片），在第二张地图上标出摄像机的大致位置。这个任务需要模型先理解照片里的空间线索（铁塔的朝向、远近），再去地图上做空间定位，典型的空间推理任务。几个模型表现参差不齐，而RISE-Agent能比较准确地定位出位置。
还有一道逻辑推理题，是个"开关灯游戏"：点击某个格子会翻转它自己和上下左右四个相邻格子的状态，要求推算出点击后整个网格的变化，并用绿框标出发生变化的格子。结果Qwen-Image-Edit-2511几乎把整个网格都改了，明显是没理解规则，只是在"模仿"一种视觉风格上的变化。而RISE-Agent精确地只改动了应该变化的那几个格子，因为背后有编程工具在做精确计算，而不是靠生成模型"蒙"。
混合推理这类任务最能暴露问题。论文举了个例子，连续三步操作：先画出时钟一小时后的样子，再把整个时钟旋转180度，最后让分针顺时针转动3600度。这种多轮编辑最怕的是"误差累积"，前一步画歪了，后面全跟着跑偏。结果显示，Qwen-Image-Edit-2509和HunyuanImage-3.0在这个任务上都出现了明显的画质退化，越往后的图越失真、越模糊。这说明多轮推理编辑的误差不只会在"推理"层面累积，还会在"视觉再生成"层面累积，这是比单次编辑难得多的一个维度。
这几个案例放在一起看，能感受到一个共同的规律：越是需要从图片里精确"读出"信息，再精确"执行"到画面上的任务，现有模型越容易翻车。而那种可以凭常识直接脑补的任务，大部分强模型都还对付得来。
写在后面
读完这篇论文，我印象最深的其实不是那堆模型排行榜，而是那张三维度对比图背后透露出的信号：现在AI图像编辑的瓶颈，已经从"画得好不好看"转移到了"该不该这么画"。这个转折点挺值得琢磨的，因为这两年整个行业的叙事几乎都在卷生成画质，卷分辨率，卷细节还原度，但这篇论文用58个模型的实测数据告诉你，画质这条赛道其实已经卷得差不多了，大家的视觉合理性得分普遍都不低。真正拉开差距的，反倒是最朴素的"理解力"。
还有一个细节值得单独说一说。RISE-Agent不需要额外训练，光靠给一个开源模型加上"先规划再执行再检查"的流程，就把总分从12.9%干到48.0%，提升了接近四倍。这说明当前很多模型的失败，根本原因可能不是生成能力不够强，而是压根没有一个"先想清楚再动手"的环节。这让我联想到人类解题的方式，我们做数学题也不是提笔就写答案，而是先在草稿纸上画图、列式子，想清楚思路再往卷子上誊写。AI模型如果跳过了这个"打草稿"的阶段，直接从指令一步跳到图像，出错的概率自然就高。这或许暗示了一个更大的方向：未来的多模态模型可能真的需要把"显式推理"当作一个独立的模块去设计，而不是指望端到端的生成能力自己悟出一切。
逻辑推理和混合推理这两类任务的低分，也让我忍不住多想一步。这两类任务的共同点是什么？都需要模型先从视觉信息里"归纳"出某种隐藏的规律或状态，再把这个规律应用到新的场景里。这恰恰是人类智能里最核心、最难被模仿的部分，归纳不是记忆，归纳需要建立抽象的联系。如果AI在这一点上始终薄弱，那说明它现在依然更像一个博闻强记的知识库，而不是一个真正会思考的系统。这条鸿沟会不会被下一代模型填平，还是个未知数。
Q&A
Q1：RISEBench++是用来做什么的？
A：RISEBench++是一套专门测试AI图像编辑模型"推理能力"的评测体系，包含1000道中英文双语题目，覆盖时间、因果、空间、逻辑、反事实、混合六大推理维度，用来检验AI改图的时候是不是真的在动脑子思考，而不只是机械执行指令。
Q2：目前表现最好的AI图像编辑模型是哪个？
A：在这次评测里，GPT-Image-2.5 Sunburst拿到了最高的56.6%准确率，是58个被测模型里表现最好的。但即便是最强模型，准确率也没能超过60%，说明推理式图像编辑还远未成熟。
Q3：RISE-Agent是什么，它和普通AI改图模型有什么区别？
A：RISE-Agent是论文团队自己设计的一套不需要额外训练的智能体系统，由规划者、执行者、验证者三部分组成，会先分析指令该怎么改、再用生成模型或精确编程工具去执行、最后自动检查结果并修正错误，整体表现超过了大部分商业闭源模型。
