中英密集文字生图基准发布，专测海报长文与布局

发生了什么

UltraText Bench 专门评测图像模型生成密集文字的能力。它提供 432 条人工审核提示，覆盖 24 类场景和三个难度等级，中英文各半，每张图要求四至十二处文字区域，并附内容、位置和视觉属性参照。12

这与中文自媒体的海报、知识卡和课程封面很接近：图像可以很漂亮，但少一个字、换一个数字就可能无法发布。

具体是什么

评测把文字忠实度、清晰度、空间质量和场景质量分开。作者比较 24 种模型配置，发现更清晰不一定更准确，复杂度上升时表现也可能明显下降。自动评分还接受了小规模人工评估对照。2

这种拆分有实际意义。字体漂亮但写错内容，与文字全对却布局拥挤，是不同问题；只看一个综合分，很难决定应该换模型、改提示还是增加后期排版。

怎么用

从 HF 论文页进入 UltraText_Bench 仓库，挑选最像自己日常作品的中文提示。1 首先固定原文，不让模型自由改写，尽量保持生成条件一致，再对比候选工具。

检查时按文字区域逐一对照，记录漏字、错字、标点和数字变化。然后缩到手机上常见的阅读尺寸，观察小字是否还清楚，信息层级和留白是否合理。最后连续生成几次，统计需要后期修改的比例，而不是只保存最好的样张。

如果模型擅长画面但文字不稳，可以把它用于背景和构图，再在可编辑工具中加入最终文字。是否这样分工，应由你的测试结果决定。

制作团队还可以给错误分级：装饰性标点偏差、普通错别字与关键数字错误对交付的影响不同。记录每类问题需要多少人工修复时间，能把模型评测转成更贴近实际制作成本的判断。

意味着什么

中文生图选型应围绕工作负载。只生成一句标题，与同时生成多区长文，是不同难度；某个模型在简单提示上表现好，并不意味着适合信息密集的海报。

对工具开发者，这套基准也提醒界面需要保留原文与区域结构，方便用户发现并纠正差异。可检查、可编辑的输出，有时比一次生成更复杂的图更能节省制作时间。

局限与风险

基准包含的场景与提示仍然有限，不能覆盖所有字体、专业词汇和中文排版习惯。自动视觉评分也可能误读细小文字，论文的人工验证范围不等于全面人工审阅。2

正式发布前应对原文逐字检查，尤其是日期、金额、型号和引用。不同模型版本、采样设置与后处理会改变结果，因此应保存使用配置，让后续比较保持同口径。榜单是测试起点，实际作品的内容正确性仍需单独验收。