知识类型视角切入，全面评测图像编辑模型推理能力：所有模型在「程序性推理」方面表现不佳

主要观点总结

文章介绍了KRIS-Bench团队创建的一种新的图像编辑模型推理能力评测方法。文章强调了AI在学习的过程中也建立了类似人类的学习路径，并从知识类型的视角对图像编辑模型的推理能力进行系统化、精细化的评测。评测包括事实性知识、概念性知识和程序性知识三大层面。文章还提到了KRIS-Bench对模型评估的四个维度，包括视觉一致性、视觉质量、指令跟随和知识合理性，并提供了对多款模型的评估结果。最后，文章展望了未来图像编辑模型的发展，并提供了相关链接供读者获取更多信息。

关键观点总结

关键观点1: AI学习路径与人类类似，遵循从记忆事实到理解概念再到掌握技能的路径。

文章强调AI在学习过程中也建立了类似人类的学习路径，包括记忆事实、理解原理和练习应用。

关键观点2: KRIS-Bench的提出与目的

KRIS-Bench是一种新的图像编辑模型推理能力评测方法，旨在从知识类型的视角对模型的推理能力进行系统化、精细化的评测。

关键观点3: 三大知识范畴与细分领域

KRIS-Bench基于认知分层，包括事实性知识、概念性知识和程序性知识三大知识范畴，并在这三大范畴下又细分为7大推理维度和22种典型编辑任务。

关键观点4: KRIS-Bench的评估维度与特色

借助多模态大模型与人工校准，KRIS-Bench从四个维度对编辑输出打分，包括视觉一致性、视觉质量、指令跟随和知识合理性。深度知识任务还附带手工知识提示，以判断模型是否真正理解背后的原理。

关键观点5: 多款模型的评估结果

KRIS-Bench评估了多款图像编辑模型的表现，包括闭源模型和开源模型，并提供了具体的评估结果和表现。

关键观点6: 未来展望与期待

文章展望了未来图像编辑模型的发展，期待模型能够具备更深的推理能力，植入物理、化学等常识，真正让AI理解为什么会这样和接下来会怎样。