文本到图像模型中的相似理解：评估框架

明喻可以简洁而生动地描述文本提示中的视觉特征。近期文生图模型能根据明喻提示生成视觉效果出色的图像，但即使前沿模型也经常误解喻体，将其与被描述对象混淆。这种系统性失败反映出比喻语言与对象级视觉表达之间的差距。本文提出可扩展的明喻理解评估框架，包括：一组受控明喻数据，其中喻体选自预设的可检测对象类别，并与多种模板组合；基于YOLO对象检测的自动视觉对应指标；使用Diffusion Lens分析文本编码器层，跟踪生成过程中喻体的出现。跨不同架构文生图模型的实验揭示了一致的字面化错误模式。研究还讨论了改善明喻视觉表达的潜在方法。