四大AI图像模型实测：同一题目下谁画露珠更真实

一场由AI当裁判的图像生成对决

在这期名为「AI照妖镜」的实测中，创作者设计了一个颇具巧思的评测机制：让四款主流AI图像模型各自作答同一道题目，再由多个AI模型充当评委进行综合打分。题目名为「一寸之间」，考察的是在极近距离下对细节质感的还原能力——具体表现为叶片上的露珠、绒毛与晨雾的微妙层次。

这种「AI选手+AI评委」的双重设定，本身就是一个有趣的观察窗口。它不仅检验各家模型的出图水平，也间接暴露了不同评委模型对「画面质量」的理解差异。参赛的四位选手分别是 GPT Image 2.5、通义 Image 3.0 Pro、Nano Banana 2，以及即梦（C Dream）5.0 Pro。

选手A：GPT Image 2.5 以细节层次夺冠

GPT Image 2.5 在本期拿下冠军，综合得分 78.2 分，是四位选手中唯一突破 78 分的作品。评委 GPT 6 给出的评价是「近远地虚，双珠近处最佳」，意指画面在景深处理上形成了近实远虚的层次，让近处的两颗露珠成为视觉焦点，符合微距摄影的基本美学逻辑。

不过这份答卷并非无可挑剔。评委 Code 指出了一个构图瑕疵——「太阳直接入画犯题」，即画面中直接出现了太阳，这在一道强调「一寸之间」近距离质感的题目中略显跑题。正负评价相抵后，GPT Image 2.5 仍凭借扎实的景深与焦点控制领先全场。

选手B：通义 Image 3.0 Pro 禅意与暗部的取舍

通义 Image 3.0 Pro 获得 74.5 分，位列第二。有意思的是，评委中同样包含通义自身模型，它给出了偏向正面的评价——「绒毛亮边与雾感渐变最禅意」，肯定了画面在柔光质感和氛围营造上的表现。

但评委 Gemini 的视角更为挑剔：「暗部过重，缺失发丝及相处间隙」。这说明该作品在整体氛围讨喜的同时，牺牲了暗部的细节信息，一些本应清晰呈现的绒毛发丝和结构缝隙被过深的阴影吞没。禅意与信息量之间的平衡，成了这份答卷的主要失分点。

选手C：Nano Banana 2 露珠物理逻辑失准

Nano Banana 2 以 52.0 分垫底，与冠军差距超过 26 分，是本期拉开最大差距的一次。评委 Code 的点评直指核心问题：「露珠多数坐在页面上而非悬垂，页面满布碎水滴」。

这个评价揭示了AI图像生成中一个常被忽视的难点——物理真实感。真实世界中的露珠会因重力在叶片边缘悬垂，呈现出特定的形态与光学折射；而该模型生成的露珠更像是「贴」在表面的平面水滴，且数量过多、分布杂乱，缺乏符合物理直觉的排布。这类错误往往比构图问题更容易被识破，也更难修正。

露珠的物理真实感之所以难以还原，根源在于它涉及多个物理规律的同时成立：表面张力决定露珠在光滑叶面上呈近球形隆起，重力使边缘露珠向下拉伸成泪滴状，而光学折射则让露珠内部呈现出倒置的环境映像。AI图像模型在生成时依赖统计模式而非物理仿真，往往能学会「露珠长这样」的外观特征，却难以内化「露珠为什么长这样」的力学逻辑。一旦场景偏离训练数据的常见视角——例如极近距离的微距构图——这种表层模仿便容易露馅，呈现出「贴图感」而非真实感。这也是为何物理真实感的考察，往往比色彩或构图更能区分模型的生成能力上限。

选手D：即梦 5.0 Pro 氛围出色但焦点偏移

即梦（C Dream）5.0 Pro 获得 68.2 分，表现中规中矩。评委 Code 对其氛围给予肯定——「雾感晨光漂亮」，说明在晨光渲染和雾气质感上该模型有一定造诣。

失分则来自构图层面。评委 Gemini 指出「焦点未落在最近最大露珠上，视觉重心出现偏移」。在微距题材中，观者的视线理应被引导至最前、最大的主体露珠上，而该作品的视觉重心跑偏，削弱了画面的叙事焦点。氛围讨喜但主次不清，是这份答卷的典型特征。

这场评测透露出的几个信号

把四份答卷并排对比，可以提炼出几点值得关注的趋势。

第一，物理真实感正成为分水岭。Nano Banana 2 的垫底并非输在美感，而是输在露珠的物理逻辑——这类「看着就不对」的错误，是当前图像模型拉开差距的关键维度。

第二，景深与焦点控制决定上限。冠军 GPT Image 2.5 的优势正在于近实远虚的层次感和明确的视觉焦点，这与排名靠后作品的「焦点偏移」形成鲜明对比。

第三，氛围好看不等于高分。通义和即梦都在雾感、晨光等氛围营造上获得好评，但分别因暗部过重和焦点偏移丢分，说明单一维度的讨喜难以转化为综合高分。

需要说明的是，「AI评委」机制本身存在局限——评分依赖评委模型的审美取向，不同评委对同一画面的判断存在分歧（如通义自评偏高、Gemini 偏严），因此这些分数更适合作为横向参考而非绝对标准。真正的裁判，或许还得交给人眼。

换作是你来当评委，又会给这四份露珠答卷打几分？

「AI评委」机制在图像评测领域属于新兴实践，其原理是将待评图像输入语言-视觉多模态模型，要求模型依据给定标准输出文字评价与量化分数。这一方式的优势在于可复现、可并行，且不受人类评委主观情绪波动影响；局限则在于不同模型的视觉理解能力与审美偏好存在系统性差异——本文中通义模型对自身作品给分偏高、Gemini对暗部细节更为敏感，均属于评委自身偏差的典型表现。此外，多模态模型对图像的「理解」本质上仍是特征匹配，对某些需要直觉判断的美学维度（如画面气息、情绪张力）的把握，与人类专业评委之间仍有明显落差。因此，AI评委更适合用于标准明确的技术维度评分，而非全面的艺术价值判断。