炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

人类在学习新知识时，总是遵循从“记忆事实”到“理解概念”再到“掌握技能”的认知路径。

AI是否也建立了“先记住单词，再理解原理，最后练习应用”的这种知识结构呢？

测评一下就知道了！

东南大学联合马克斯·普朗克信息研究所、上海交通大学、阶跃星辰、加州大学伯克利分校与加州大学默塞德分校的研究团队，共同提出了KRIS-Bench（Knowledge-based Reasoning in Image-editing Systems Benchmark）。

首创地从知识类型的视角，对图像编辑模型的推理能力进行系统化、精细化的评测。

借鉴布鲁姆认知分类与教育心理学中的分层教学理念，KRIS-Bench让AI在事实性知识（Factual Knowledge）、概念性知识（Conceptual Knowledge）与程序性知识（Procedural Knowledge）三大层面上，逐步接受更深入、更复杂的编辑挑战。

基于认知分层的三大知识范畴

KRIS-Bench在每个类别下又细化出7大推理维度、22种典型编辑任务，从“物体计数变化”到“化学反应预测”、“多元素合成”等，覆盖了从初级到高级的全谱系难度。

四维度自动化评估指标

借助多模态大模型与人工校准，KRIS-Bench首创从四个维度对编辑输出打分：

深度知识任务还附带手工知识提示，以帮助评判模型是否真正“理解”了背后的原理。

10款模型全面测试

KRIS-Bench评估了3款闭源（GPT-Image-1、Gemini 2.0 Flash、Doubao）和7款开源（OmniGen、Emu2、BAGEL、Step1X-Edit、AnyEdit、MagicBrush、InstructPix2Pix）模型。

借助KRIS-Bench，团队正推动图像编辑模型脱离单纯的“像素搬运”，向具备人类般认知能力的“视觉智者”迈进。

未来，团队期待编辑不再是“换换颜色”“挪挪位置”这么简单，而是在内部植入物理、化学、社会常识与因果推理，真正让 AI 明白“为什么会这样”和“接下来会怎样”。

感兴趣的朋友可以戳下方链接获取更多细节

项目地址：https://yongliang-wu.github.io/kris_bench_project_page/

论文地址：https://arxiv.org/abs/2505.16707

代码地址：https://github.com/mercurystraw/Kris_Bench

— 完 —