从 GPT-4o 到 Nano Banana、Seedream 4.0，今年的大模型想要出圈，" 画得好 " 俨然成了必杀技。

不过，在比拼真实感、艺术性方面，生图模型是神仙打架，在 " 做题 " 上，现如今的模型们又到底能力几何？

比如，当指令变成画出 1- 甲基环己烯酸催化水合的反应机理、根据给定的边集画出图的最小生成树，模型能否像相关专业的人类考生一样，真正把知识理解、推理和作图结合在一起？

针对这个问题，上海人工智能实验室、上海交大、清华大学、香港中文大学联合发布了首个多学科文生图考试基准 GenExam。

这一基准参考人类考试中的作图题，覆盖 10 个学科、1000 个严选好题，用 " 考试思维 " 重新定义文生图模型的能力边界。

实验结果却让人大跌眼镜：即便是 GPT-4o 这样的顶级模型，严格评分下正确率也仅 12.1%，开源模型更是全部接近 0 分。

这是怎么一回事？

GenExam：不止是 " 画图 "，更是 " 面向 AGI 的综合测试 "

考试是衡量人类达到专家级智能的重要标准，这在理解任务的 MMMU 等基准上已经很有体现。GenExam 则将文生图也视为 " 人类学科考试 "，和传统文生图基准明显不同。它涵盖数学、物理、化学、生物、计算机、地理、经济、音乐、历史、工程 10 个一级学科，每个学科都聚焦 " 绘图类考题 "，题目经过 GPT-5 初筛与人类审核把关，确保严谨性。

类似人类考试，GenExam 的 " 学科绘图题 " 有四大核心特征：

" 题目 "（文生图 prompt）多样、复杂且约束严格，平均长度达到 74.8 个单词，远超普通 T2I prompt，比如 " 用 H2SO4 和 H2O 作为催化剂，画出 1- 甲基环己烯的酸催化水合反应机理，明确反应物、反应条件、主产物，并根据马尔科夫规则标注羟基位置 "；

有明确的 " 参考答案 "（ground truth 图像）提高评测准确性，有 " 评分标准 "（评分点）逐点检查正确性，平均每道题 6.9 个评分点，比如 " 催化剂是否为 H2SO4 和 H2O"、" 反应物是否为 1 号位有甲基、包含双键的六元环 "，每个得分点对应不同权重。

学科知识覆盖深且广，可系统化层级分类，形成严格的 " 四级学科分类体系 "。

需要模型融合理解（读懂考题）、推理（推导过程）、生成（精准绘图）三大能力。

细粒度评测体系

传统文生图评测总纠结 " 像不像 "、" 美不美 "，但学科绘图更在意 " 对不对 " ——化学结构中的一个碳原子 / 物理电路图中的一个箭头画错，整个图就错了。

为此，GenExam 设计了双维度、两标准的评测体系，用 GPT-5 作为 " 自动阅卷老师 "，确保评分客观准确：

两大评测维度

语义正确性：模型画的是不是 " 符合题意 "？基于每道题的评分点，让 GPT-5 做视觉问答（比如 " 分子是否含 8 个碳原子？"），并提供 ground truth 图片作为参考提高评分准确性，将做对的题的分数之和作为语义分数；

视觉合理性：画对了，但 " 卷面 " 好不好？分三项打分。

拼写：公式、标签有没有拼写错；

逻辑一致性：坐标、刻度是不是对应；

可读性：元素有没有遮挡、标签是不是清晰。

严格 / 宽松双标准

严格得分：只有语义全对 + 视觉合理性三项全满分才算正确；

宽松得分：语义（70% 权重）+ 拼写（10%）+ 逻辑（10%）+ 可读性（10%）的加权平均分，给模型 " 部分得分 " 的空间，适合区分模型间的相对差距。

顶尖模型也不及格，开源模型全军覆没

团队测试了 18 个主流模型，包括闭源 " 顶流 "（例如 GPT-Image-1（GPT-4o）、Gemini-2.5-Flash-Image（Nano Banana））、开源专用文生图模型（例如 Qwen-Image、FLUX.1 dev）、理解生成一体化模型（例如 BAGEL、Show-o2），结果让人意外：

闭源模型：即使是表现最好的 GPT-Image-1 严格得分也只有 12.1%。其他闭源模型分数不足 10%。这些模型能画出大致框架（比如苯环的六边形），但细节经常有严重错错误比如少画氢原子、键型标反）。

开源模型：所有模型严格得分均接近 0%，哪怕是表现最好的 Qwen-Image，严格得分也只有 0.3%。统一多模态模型（如 BAGEL、Show-o2）表现还不如专用文生图模型，暴露出 " 整合学科知识到图像生成 " 的能力缺失。

当对比宽松得分时，开源模型（10~30 分）和闭源模型（50~60 分）的差距依然明显，在语义正确性、拼写、逻辑一致性、可读性四个方面中都存在显著差异。

错误案例直击痛点

通过定性分析，论文团队总结了模型的三大典型错误：

知识缺失：比如音乐题中画错半音圈的调号顺序；

推理不足：比如几何题中算错函数交点坐标；

视觉疏漏：比如拼写错误、标签错位（如将 "-1,0" 标在 y 轴上）。

在学科场景中，任何一个小错误都可能导致 " 满盘皆输 " ——这也正是 GenExam 的价值所在：它精准捕捉了文生图模型在 " 专业场景 " 中的核心短板。

通向专家级智能

GenExam 将 " 图像生成 " 转化为 " 考试任务 "，给文生图模型设立了一个新目标：从 " 画得好看 " 走向 " 画得正确 "。

当前，即便是最顶尖的模型，在 GenExam 的考试中也仅处于不及格水平，这既是挑战，也是机遇——它意味着未来的模型需要在知识整合、逻辑推理、精准生成上持续突破，才能真正从 " 通用图像生成工具 " 升级为 " 专业领域助手 "。毕竟未来的 AI 不仅要会 " 创作艺术 "，更要能 " 辅助学习 "、" 助力科研 "，而这些都离不开对学科知识的精准理解与生成。

未来，当模型能轻松通过 GenExam 的多学科考试时，或许我们才能说它们真正迈入了 " 专家级 AGI" 水平。但现在，这场考试才刚刚开始。

GitHub 链接：https://github.com/OpenGVLab/GenExam

论文链接：https://arxiv.org/abs/2509.14232

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见