尽管目前文生图模型（Text-to-Image Models）在生成高保真图像上表现卓越，但在应对空间感知、空间逻辑推理及多目标空间交互等贴合现实场景的复杂空间智 能任务时往往力不从心。现有评估基准主要依赖简短或信息稀疏的提示词，难以覆盖复杂的空间逻辑，导致模型在这些关键空间智能维度上的能力缺陷被严重低 估。 来自阿里高德的一篇最新 ICLR 2026 中稿论文《Everything in Its Place: Benchmarking Spatial Intelligence of Text-to-Image Models》提出了面向文生图空间智能的系统 性评估基准 SpatialGenEval，旨在通过长文本、高信息密度的 T2I prompt 设计，以及围绕空间感知、空间推理和空间交互的 10 大空间智能能力维度设计，深入探 测文生图模型的空间智能能力边界。 4 大维度， 10 个子维度，覆盖 25 个现实应用场景，基于 23 个 SOTA 模型的评估结果表明当前模型的空间智能能力仍有待大幅提升 论文标题：Everything in Its Place: Benchmarking Spatial Int ...