国产文生图第一次在总分榜上压过 GPT:ArtArk 拿 95.14,图文一致性满分

11 月 10 日,SuperCLUE 更新了 2026 年 11 月的文生图基准榜。这次补测塞进来五款模型,其中一款叫 ArtArk,来自一家叫进化智能的公司,第一次上榜就拿了 95.14 分,排在总榜第一。
第二是 GPT Image 2.5 Sunburst,94.27。第三是商汤的 SenseNova U1 Pro,93.81。
"国产模型登顶"这个说法在中文科技媒体上已经用滥了,每隔两个月就有人登一次。所以这条新闻真正值得看的地方不在名次,在分数表的结构:ArtArk 的图像质量单项只有 87.92 分,是前十名里最低的那一档,比 GPT Image 2.5 Flare 的 90.76 低将近三分。它凭别的项把总分拉了回来。
那个 100 分是什么
榜单把文生图拆成六项:图像质量、图文一致性、汉字生成、现实复现、创作与推理、复杂信息布局。
ArtArk 在"图文一致性"这一项拿了 100 分。二十五个参评模型里,只有它一个满分。第二名是 Flare 的 93.94。
图文一致性考的不是画得美不美,是听不听话。题目会给一堆可验证的约束:画面里有几个人、谁站在谁左边、桌上摆的是五个红苹果还是一个、招牌上写的是哪几个字、光从哪个方向来。模型得把这些一条不漏地落进画面,还要让画面看着自然。这项拿满分意味着它在这种"逐条对账"式的任务上几乎不犯错。
换个说法:它不一定是最会画画的,但它是最不会自作主张的。

这个能力在展览和社交平台上不值钱,在货架前值钱。电商主图要求产品颜色、logo 位置、包装文案一个不错;品牌海报要求那句 slogan 一个字不能改;房地产效果图要求户型、朝向、家具数量对上图纸。这些活以前不敢交给模型,就是因为模型太爱发挥。一个满分的一致性分数,等于告诉采购方:你可以开始试了。
短板的形状
反过来看它弱的地方,同样清楚。
图像质量 87.92,是它的最低项,也是唯一低于 90 的。这个分数在榜单里大概排在中游,意味着出图的细腻度、质感、光影层次跟顶级模型有肉眼可见的差距。
汉字生成 97.02,比 Sunburst 的 97.25 略低,但已经很接近。现实复现 96.02,同样略低于 Sunburst 的 96.49。创作与推理 96.47,低于 GPT-Image-2 的 96.81。复杂信息布局 93.38,被 SenseNova U1 Pro 的 95.80 甩开两分多。
看出来了吗:它是在"执行"这一侧全面领先,在"审美"这一侧全面落后。这不是一个全能冠军的画像,这是一个偏科的画像,而且偏得很诚实。
榜单本身也没打算掩饰这一点。它把 25 个模型画进一张四象限图,横轴是场景应用能力,纵轴是通用能力,ArtArk 和 Sunburst、U1 Pro、Qwen-Image-3.0-Pro 一起落在"卓越领导者"那一格,但落点靠右下,离"技术领跑者"的角更远。
前五名差 1.91 分,这件事比第一名更麻烦
Sunburst 94.27,ArtArk 95.14,中间差了 0.87。整个前五名的最高分和最低分只差 1.91。
三年前的同类型榜单,头部和腰部差十几分是常态,第一名基本没有悬念。现在这个差距已经掉到了一次评测的噪声范围里,榜单自己也承认,国内模型分差一分以内算并列。按这个规则,ArtArk、Sunburst、U1 Pro 三个其实该算一档。
分差缩小带来一个实际问题:采购时看总分已经没用了。你得看分项。
这轮的分项冠军散得很开。汉字生成和现实复现的最高分都在 Sunburst 手上。复杂信息布局是 SenseNova U1 Pro 的 95.80。创作与推理的最高分属于上一代的 GPT-Image-2,96.81,比今年的两个新版本都高。图文一致性归 ArtArk。
一个榜单出现四个不同的"最强",说明这一代模型已经不再沿着同一条梯子往上爬了。各家的路线分化得很快:有人在补语义执行,有人在补画面质感,有人在补版面组织。选模型这件事正在从"选最好的那个"变成"选最匹配的那个"。
版本迭代的速度
Nano Banana 这条线值得单独看一眼。2.1 版本比 2 高了 2.74 分,其中图文一致性提升 9.09 分,复杂信息布局提升 6.87 分。同时它的图像质量、现实复现、创作与推理三项几乎没有变化。
这种提升曲线很不寻常。通常一个模型换代,各项都会均匀涨一点;一项涨九分两项不动,说明这次迭代是定点打击,专门补了上一代最弱的语义对齐。谷歌显然也读到了同一份评测报告。
反过来看,ArtArk 这种"一致性拉满、质量垫底"的结构也有风险。一致性是可以靠工程和训练数据快速补齐的,质感不行,质感背后是审美判断和数据分布,得慢慢磨。别人追上来可能只要一个季度。
一句话的结论
这张榜单真正的信息藏在名次后面:文生图的评价重心已经挪位了。把图画好看这件事,头部二十几个模型都做到了及格线以上;能不能严格执行一句复杂的话,正在成为分水岭。
对做图的人来说,这意味着工作方式要变。以前是许愿,抽十张挑一张;现在可以写需求,像下单一样写清楚约束,然后验收。模型越听话,人在提示词上省下的力就越多,在判断上花的力就越多。因为当所有模型都能给出"好看"的时候,只有你知道哪一张是对的。