NegT2IBench：否定如何改变画面——面向文本到图像模型的极性基准

研究者推出 NegT2IBench，包含 4,800 条提示，覆盖两种属性类型与四类关系，按极性组织以区分否定与提示复杂度的影响。基于检测器的评分在 600 张图像、三名标注者上与至多 30 倍大的视觉语言评判一致，而仅用其一小部分 GPU 内存。覆盖 11 个 T2I 模型与 211,200 张图像，九个模型在单条否定句上得分低于单条肯定句，41.5% 失败句恰好渲染了提示禁止的内容。