生成圖片時同時引用多張參考圖，最難的地方往往唔係畫面夠唔夠完整，而係模型有冇準確保留指定主體、抽出正確屬性，再綁到啱嘅目標上。TRACE-Bench屬於 Multi-Reference Image Generation Benchmark，處理的正是這類「成品看似合理，但細節要求逐項出錯」的評估問題。它不再只用一個總分判斷好壞，而是把每條提示拆成可追蹤的能力步驟，讓研究者知道錯誤發生在身份保留、屬性抽離、屬性綁定，還是多元素構圖。

這個基準最核心的做法，是用四個原子操作統一資料建構、評分與診斷流程：Anchor負責鎖定並保留參考主體的身份特徵，Disentangle負責把某個屬性從原本載體抽離，Apply負責把抽出的屬性自然地套到指定目標，Compose則負責在空間、關係或整體場景限制下安排多個內容。TRACE-Bench把每個 prompt 表達成 compositional formula，令多參考生成不再只按「風格轉移」或「主體組合」這類粗分類來看，而是按能力需求逐層拆解。

它和常見 benchmark 的差異，在於評估單位由任務類型改成能力組合。原有做法容易出現覆蓋不足、案例難度難比較、失敗原因不透明等問題；TRACE-Bench則把同一套公式結構用於案例生成與對齊評分，並要求參考資訊有精準 grounding。資料規模方面，這個 benchmark 約有1,600個 evaluation cases、631個公式模板、約4,000張 reference images，覆蓋1至8個 operator slots，並評估了9個領先模型。現有結果顯示，真正的瓶頸主要落在 attribute disentanglement 同 binding，不是單純的場景級 composition。

對模型研究、影像生成工作流設計，甚至要挑選評測方法的團隊來說，TRACE-Bench的價值在於它能把「生成得唔錯」這種籠統印象拆成具體能力地圖。當案例失敗時，它還會用遞迴簡化方式做 diagnosis，逐步定位干擾來自哪一個參考需求。對於想改進多圖條件生成、測試 reference-following 能力，或者分析模型為何經常把屬性套錯對象的人，這種可追溯結構比單一總分更有用。

• 用四個操作符描述多參考生成：Anchor、Disentangle、Apply、Compose。
• 每個 prompt 都可寫成 compositional formula，方便控制複雜度與對齊評分。
• 約1,600個案例涵蓋1至8個 operator slots，資料來自約4,000張參考圖。
• 九個模型的評估結果指出，屬性抽離與屬性綁定比場景構圖更常成為瓶頸。
• 原始資料聚焦 benchmark 設計與診斷方法，未提供一般讀者可直接下載或部署的完整使用流程。

整體來看，TRACE-Bench不是再增加一批「看圖感覺差不多」的測試題，而是把多參考生圖最難處理的依賴關係寫成可分析、可比較、可回溯的結構。當模型要同時記住誰是誰、哪個屬性要抽出、又要套到哪個實體上時，這套方法更能反映能力上限與失誤模式，也讓後續改進有更清晰的落點。

項目主頁