TL;DR

传统的图像生成模型往往在“炫技”（产出精美的自然风光）上炉火纯青，但在“干活”（生成一份准确的 PPT 或科学图表）上漏洞百出。微软与多家高校联合发布的 BizGenEval 是首个针对真实商业设计场景的深度测评系统。它告诉我们：在商业世界里，准确性（Precision）永远比美感（Aesthetics）更重要。

痛点深挖：为什么 AI 画不出合格的商业图表？

在学术界，我们常用 GenEval、T2I-CompBench 或是简单的 CLIP Score 来评估模型。但这些指标在商业场景下几乎失效。

• 密集文本难题：商业海报需要精确到每个字符的文字渲染。
• 结构约束挑战：科学插图中的箭头指向、层级关系、坐标轴刻度容不得半点胡编乱造。
• 归纳偏差错觉：许多模型通过训练捕获了 PPT 的“风格”，能画出像模像样的背景和方块，但无法按照 Prompt 精确放置三个图标或计算饼图比例。

BizGenEval：20 维能力的“魔鬼训练营”

作者将测评维度细化为五个领域。最令人印象深刻的是其 Checklist-based Evaluation 协议。

每一个 Prompt 都会配套生成 20 个验证问题，涵盖了：

1. Layout (布局)：空间组织、层级流向。
2. Attribute (属性)：颜色、形状、数量、图标。
3. Text (文本)：长短段落、表格内容的字符级准确度。
4. Knowledge (知识)：跨越物理、化学、历史的常识对齐。

为了模拟真实人类设计师的指令，Prompt 通常长达数百甚至上千个 Token，这对模型的 Instruction Following 能力提出了极高要求。

核心发现：商业能力的“两极分化”

在对 26 个模型（包括 Nano Banana, GPT-Image, FLUX 等）进行大规模测评后，数据揭露了残酷的现实：

• 闭源 API 的统治地位：Nano-Banana-Pro 与 GPT-Image-1.5 稳居第一梯队。开源模型（如 SD3.5, FLUX 等）在处理商业文档时由于缺乏大规模多模态强化训练，平均分往往惨不忍睹。
• “样貌”不代表“灵魂”：很多模型能生成看起来很专业的 Charts，但如果你细看刻度线和数值标签（Attribute Binding），就会发现它们大多是随机分布的图形，毫无数学逻辑。
• 自然图像能力无法迁移：在 GenEval 表现强劲的模型，在 BizGenEval 上可能直接垫底。这说明简单的物体组合能力（如“一只穿草裙的猫”）不等同于复杂的结构化输出能力。

在上述图表生成中，GPT 系列在处理精准 marker 数值时出现了严重的“同质化”错误。

深度洞察与总结

BizGenEval 的出现标志着 AI 视觉生成从“玩具阶段”向“工具阶段”的考场迁移。

关键结论：

• 多模态底层能力是关键：Nano-Banana-Pro 之所以强大，是因为它底层接入了 Gemini 3 Pro 级别的多模态推理能力，能理解“为什么这个图层要放在这里”。
• 确定性是未来的战场：当前的 Diffusion 架构天生具有随机性，如何引入类似 Layout-to-Image 的强引导逻辑，是商业生成下一步的突破口。

局限性：目前的自动裁判（Gemini-3-Flash）虽然已经达到 90.88% 的人类一致性，但在处理极细微的文字重叠或复杂的 3D 透视关系时，仍可能存在判断偏置。

展望未来，我们期待看到专门为专业设计人员优化的模型，而 BizGenEval 无疑是这块进阶之路上的试金石。