/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
54,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.6-27B
Библиотека
transformers
Опубликована
21 мая 2026

Qwen-Image-Bench

Изображение и текст → текст4 профессии

Q-Judger оценивает изображения, созданные по текстовым запросам, и выдаёт структурированные оценки качества в формате JSON.

33 051скачиваний за 30 дней107лайковвеса обновлены28 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Q-Judger — дообученная мультимодальная модель оценки изображений, созданных по текстовому запросу. Она основана на Qwen3.6-27B и принимает описание запроса вместе с сгенерированным изображением, после чего формирует JSON с оценками по иерархии критериев. Модель доступна в формате safetensors и использует библиотеку Transformers.

Модель предназначена для автоматизированного сравнения и анализа качества генерации изображений. Она оценивает визуальное качество, композицию и эстетику, соответствие изображения запросу, правдоподобие, безопасность и творческие аспекты, включая отрисовку текста и визуальное повествование. Итоговые оценки агрегируются по уровням критериев; в README также описана проверка согласованности ранжирования с оценками экспертов.

В метаданных указаны английский и китайский языки. Модель выпущена под лицензией Apache-2.0. Она является оценщиком изображений, а не моделью для их генерации; результаты следует трактовать как структурированную автоматическую оценку, а не как гарантированную замену экспертной проверке.

Сценарии применения

  • оценка качества изображений, сгенерированных по текстовому запросу
  • проверка соответствия изображения исходному промпту
  • сравнение моделей генерации изображений по единым критериям
  • анализ композиции, эстетики и визуального качества генераций
  • оценка корректности текста и макета на сгенерированных изображениях
  • автоматизированное ранжирование результатов генерации изображений

Ограничения

Модель оценивает изображения автоматически, поэтому её баллы и ранжирование не гарантируют совпадения с экспертным суждением. README сообщает о проверке на выборке из 18 моделей, но не приводит полные результаты по всем критериям в предоставленном тексте.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Q-Judger

A fine-tuned judge model for evaluating text-to-image (T2I) generation quality. Built on top of Qwen3.6-27B, it scores generated images across 5 hierarchical dimensions using structured checklists and outputs JSON-formatted evaluation results.

Links

ResourceLink
📑 Paperhttp://arxiv.org/abs/2605.28091
📊 Benchmark Dataset (HuggingFace)https://huggingface.co/datasets/Qwen/Qwen-Image-Bench
📊 Benchmark Dataset (ModelScope)https://www.modelscope.cn/datasets/Qwen/Qwen-Image-Bench
💻 GitHubhttps://github.com/QwenLM/Qwen-Image-Bench
🧑‍⚖️ Q-Judger Modelhttps://huggingface.co/Qwen/Qwen-Image-Bench
🧑‍⚖️ Q-Judger Modelhttps://modelscope.cn/models/Qwen/Qwen-Image-Bench

Model Description

Q-Judger is a vision-language model fine-tuned specifically for automated evaluation of text-to-image generated images. Given a text prompt and a generated image, the model evaluates the image on fine-grained quality criteria organized in a 3-level hierarchy and outputs structured JSON scores.

  • Base Model: Qwen3.6-27B
  • Task: Image quality evaluation / judging
  • Input: Text prompt + generated image
  • Output: Structured JSON with per-dimension scores (0 = Fail, 1 = Pass, 2 = Excel, N/A)
  • Thinking Mode: Enabled — the model uses chain-of-thought reasoning before producing the final JSON output

Evaluation Dimensions

The model evaluates images across 5 top-level dimensions, each with multiple sub-dimensions:

Quality

  • Realism: Physical Logic, Material Texture
  • Detail: Noise, Edge Clarity, Naturalness
  • Resolution: Resolution

Aesthetics

  • Composition: Composition
  • Color Harmony: Color Harmony
  • Lighting: Lighting & Atmosphere
  • Anatomical Portraiture: Anatomical Fidelity
  • Emotional Expression: Emotional Expression
  • Style Control: Style Control

Alignment

  • Attributes: Quantity, Facial Expression, Material Properties, Color, Shape, Size
  • Actions: Contact Interaction, Non-contact Interaction, Full-body Action
  • Layout: 2D Space, 3D Space
  • Relations: Composition Relationship, Difference/Similarity, Containment
  • Scene: Real-world Scene, Virtual Scene

Real-world Fidelity

  • Fairness: Social Bias, Cultural Fairness
  • Safety & Compliance: Safety & Compliance
  • World Knowledge: Animals, Objects, Information Visualization, Temporal Characteristics, Cultural Elements

Creative Generation

  • Imagination: Imagination
  • Feature Matching: Feature Matching
  • Logical Resolution: Logical Resolution
  • Text Rendering: Text Accuracy, Text Layout, Font, Cross-lingual Generation
  • Design Applications: Graphic Design, Product Design, Spatial Design, Fashion Styling, Game Design, Art Design
  • Visual Storytelling: Cinematic Style, Camera / Lens Style, Storyboard Creation, Shot Sizes, Composition, Angles, Comic Creation

Scoring Methodology

Raw Score Mapping

Raw ScoreMeaningMapped Score
0Fail0
1Pass60
2Excel100
N/ANot applicableExcluded

Aggregation

  1. Level-3 → Level-2: Average all non-N/A Level-3 scores within a Level-2 category
  2. Level-2 → Level-1: Average all Level-2 scores within a Level-1 dimension
  3. Level-1 → Total: Average all Level-1 dimension scores

Human Agreement

We validate the judge model against human expert rankings by computing Spearman rank correlation ($\rho$) between the model's rankings and human expert rankings across the five L1 pillars and overall. All correlations are statistically significant ($p < 10^{-4}$, $N = 18$ models).

DimensionSpearman $\rho$
Quality0.89
Aesthetics0.89
Alignment0.89
Real-world Fidelity0.92
Creative Generation0.92
Overall0.92

Quick Start

Get the Inference Code

git clone https://github.com/QwenLM/Qwen-Image-Bench.git
cd Qwen-Image-Bench

Installation

1. Create and activate a virtual environment with uv:

uv venv myenv --python 3.11
source myenv/bin/activate

2. Install PyTorch (select the command matching your CUDA version):

See the official guide: https://pytorch.org/get-started/locally/

3. Install Python dependencies:

uv pip install -r requirements.txt

This installs all required dependencies including ms-swift.

Run Inference

python judge.py \
  --input your_data.jsonl \
  --model Qwen/Qwen-Image-Bench

Input Format

Prepare a CSV, JSON, or JSONL file with the following columns:

ColumnTypeDescription
IDintPrompt identifier (1-1000), must match benchmark metadata
promptstrThe text prompt used to generate the image
image_pathstrPath to the generated image file

Output Format

The model outputs a JSON object per dimension, structured as:

{
  "Level-2 Dimension": {
    "Level-3 Dimension": {"score": 0|1|2|"N/A"}
  }
}

Example (Quality dimension):

{
  "Realism": {
    "Physical Logic": {"score": 1},
    "Material Texture": {"score": 2}
  },
  "Detail": {
    "Noise": {"score": 1},
    "Edge Clarity": {"score": 1},
    "Naturalness": {"score": 1}
  },
  "Resolution": {
    "Resolution": {"score": 2}
  }
}

CLI Options

ArgumentDefaultDescription
--input(required)Input CSV/JSON/JSONL with ID, prompt, image_path
--model(required)HuggingFace model ID or local model path
--hf-bench-repo-HF dataset repo for bench metadata
--local-metadata-Local metadata file path (overrides default)
--max-batch-size24ms-swift max_batch_size
--max-new-tokens4096Max generation tokens

Inference Parameters

The judge model uses fixed inference parameters for reproducibility:

ParameterValue
seed42
temperature0
top_k1
top_p1.0
repetition_penalty1.05
max_new_tokens4096
enable_thinkingTrue
max_batch_size24

Citation

If you find this model useful, please cite our paper:

@misc{li2026qwenimagebenchgenerationcreationtexttoimage,
      title={Qwen-Image-Bench: From Generation to Creation in Text-to-Image Evaluation}, 
      author={Niantong Li and Guangzheng Hu and Weixu Qiao and Ying Ba and Qichen Hong and Shijun Shen and Jinlin Wang and Fan Zhou and Jianye Kang and Xin Shang and Ziyi He and Wei Wang and Dalin Li and Jiahao Li and Jie Zhang and Kaiyuan Gao and Kun Yan and Lihan Jiang and Ningyuan Tang and Shengming Yin and Tianhe Wu and Xiao Xu and Xiaoyue Chen and Yuxiang Chen and Yan Shu and Yanran Zhang and Yilei Chen and Yixian Xu and Zekai Zhang and Zhendong Wang and Zihao Liu and Zikai Zhou and Hongzhu Shi and Yi Wang and Bing Zhao and Hu Wei and Lin Qu and Chenfei Wu},
      year={2026},
      eprint={2605.28091},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2605.28091}, 
}

License

This project is licensed under the Apache License 2.0.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
1b77ff8

0 моделей