WeGenEditBench
面向图像编辑模型的原子级清单驱动评测基准，覆盖单图编辑、文本密集型编辑和多参考图编辑场景，采用预生成清单分解请求并先扣分后汇总的评估流程。
时间轴 (近 90 天)
WeGenEditBench 包含 2,740 个评估实例和 148 种任务类型，覆盖单图编辑、文本密集型编辑和多参考图编辑三大场景。
WeGenEditBench 采用跨模型共享的预生成清单，将每个编辑请求拆解为原子级要求，以确保不同模型在同一套标准下被审视，减少评估标准漂移带来的噪声。
WeGenEditBench 的评测流程先建立条目级扣分和视觉证据，再汇总为编辑执行、内容保持、视觉质量和任务特定正确性四个维度的分数。
在 15 个被评估配置中，GPT-Image-2 以 4.076 的 Overall 分数领跑单图编辑，Seedream-5.0-Pro 以 4.291 在文本密集型编辑中居首。
WeGenEditBench 与 WeGenEvoStudio 的组合提供可解释的评估路径，每个分数背后有原子要求和视觉证据支撑，每个失败点都有对应的数据构建与适配机制。
该框架的覆盖范围仍受限于 148 种任务类型，且清单的预生成方式可能引入设计者的先验偏好。
全部知识事实 (6)
WeGenEditBench 包含 2,740 个评估实例和 148 种任务类型，覆盖单图编辑、文本密集型编辑和多参考图编辑三大场景。
50%待验证WeGenEditBench 采用跨模型共享的预生成清单，将每个编辑请求拆解为原子级要求，以确保不同模型在同一套标准下被审视，减少评估标准漂移带来的噪声。
50%待验证WeGenEditBench 的评测流程先建立条目级扣分和视觉证据，再汇总为编辑执行、内容保持、视觉质量和任务特定正确性四个维度的分数。
50%待验证在 15 个被评估配置中，GPT-Image-2 以 4.076 的 Overall 分数领跑单图编辑，Seedream-5.0-Pro 以 4.291 在文本密集型编辑中居首。
50%待验证WeGenEditBench 与 WeGenEvoStudio 的组合提供可解释的评估路径，每个分数背后有原子要求和视觉证据支撑，每个失败点都有对应的数据构建与适配机制。
50%待验证该框架的覆盖范围仍受限于 148 种任务类型，且清单的预生成方式可能引入设计者的先验偏好。
50%