選擇文字模型時，我們有大量 LLM benchmark 可以參考；輪到影像模型，情況卻很不一樣。OpenRouter 在 2026 年 8 月 21 日發布了 Visual Image Benchmarks，目標是讓開發者與產品工作者在挑選影像模型時，不必再只靠官方範例圖或社群評分。該公司目前提供 39 個影像模型，新的基準頁面把每個模型的輸出並排呈現，並可按價格與生成時間排序。
選影像模型為什麼這麼難？
文字模型的評估已經相對成熟，但影像模型缺乏同等深度的基準。OpenRouter 指出，廠商提供的輸出樣本往往是精心挑選的「eye candy」，而用 LLM 當評審的評估方式，還無法捕捉人類一眼就能看出的細節。競技場（arena）分數雖然有參考價值，但本質上反映的是「使用者比較喜歡哪張圖」，而不是「模型能不能做到某件事」。
這正是產品決策的痛點：如果你的功能需要穩定的文字渲染、準確的物件數量，或是一張圖內同時出現多種語言，光看範例圖很容易誤判。
七類挑戰：把能力差異量化
新的基準不是用一兩張美圖定勝負，而是用刻意設計的 Prompt 去考驗模型的能力邊界。OpenRouter 初步將挑戰分為七個類別：
- 不合理場景：例如酒倒滿到杯緣、收起來的雨傘。訓練資料裡常見的通常是「正常版本」。
- 計數：三根手指、特定數量的卡片或骰子。
- 文字：海報上的一段長字串，以及同一畫面內的多種語言。
- 空間關係：遮擋與鏡面反射。
- 否定指令：沒有條紋的斑馬、沒有廣告的時代廣場。
- 編輯：以參考圖做最小改動、移除物件或人物。
- 一致性：讓同一個產品或四個參照主體跨場景保持一致。
這些 Prompt 設計成一眼就能看出結果好壞。例如，模型是否能真的把酒杯裝滿到杯緣？這類能力在實際產品中往往比「畫得漂亮」更重要。
先篩選，再回到自己的資料驗證
對產品工作者來說，這類基準的價值在於快速建立 shortlist。你可以先看模型在各挑戰類別的表現，再用 OpenRouter 的圖像生成 API 或 Chat 介面跑自己的 Prompt，確認模型在你真正的情境裡是否同樣可靠。OpenRouter 也預告會把這套評估擴展到影片與音訊模型，並持續更新新增的影像模型。
值得留意的是，基準只是起點。它幫你縮小候選範圍，但最終還是要用自己的內容測試，尤其當你的產品涉及品牌文字、特定數量或複雜版面時。把基準當成輔助決策的工具，而非唯一答案，才會選到真正適合的模型。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。