11月19日,第三方AI设计评测平台Design Arena更新了图片榜单。商汤的SenseNova U1 Pro在图片生成与图片编辑两个榜单上同时拿到中国第一,全球排名第六。比名次更值得注意的是榜单结构:排在它前面的五个位置,全部来自OpenAI同一系列的GPT Image 2.x,只是版本与质量档位不同。一张榜的前五名被同一家占满,这件事本身就值得单独解释。
榜单页面显示,SenseNova U1 Pro在生成与编辑两栏的位置一致,都在第六。它前面的五个条目名称相近,都属于GPT Image 2.x系列,区别在版本号与生成质量档位。这意味着第六名与第一名的差距,不是"落后五个不同厂商的模型",而是"落后同一套系统的五个配置"。
这种占榜现象在竞技类榜单里很常见。同一家把多个版本或多个画质档一起提交,只要每个配置都能独立排名,就会在头部形成一排同门条目。对厂商来说这是合理策略,因为用户实际调用时也会选不同档位;对读者来说,这改变了"第六"的含义:它更像"在同一个领先家族之外的第一个",而不是"全世界第六好的模型"。
同样要留意的是另一张榜。公开评测机构Artificial Analysis的文生图榜单上,快手的可灵图像4.0排在全球第七、中国第一,位置在Nano Banana 2.1之前。两家国产模型在不同榜单上各自拿到"中国第一",说明单一榜单的名次不能跨榜比较,不同平台的题目集、投票人群与质量档设定都不一样。
Design Arena的机制是:同一段提示词分发给两个模型,输出以匿名方式并排呈现,由真实用户投票选更喜欢的一张,再用Elo评分体系累计成动态排名。这套方法借自国际象棋,核心假设是"两两比较比绝对打分更稳定",因为人很难给一张图打出准确的分,却很容易判断两张里哪张更好。
它测的是偏好,不是能力清单。用户投票时会综合构图、美感、指令遵循、文字是否正确、有没有明显瑕疵,这些因素在投票行为里的权重并不公开,也无法拆分。所以Elo高说明"在大量盲测对比中更常被选中",不说明它在每一项具体任务上都更强。这是偏好型榜单的固有边界,不是缺陷。
它还有一个优点常被忽略:匿名。厂商自发布样张时总能挑最好的一张,盲测把挑选权交给用户,营销滤镜基本失效。国产模型过去常被质疑跑分漂亮、实操拉胯,Elo盲测至少在机制上挤掉了这部分水分。国内模型能在这类榜上进前六,比在自己发布的对比图里赢,分量重得多。
两个榜单里,编辑榜的意义更大。生成是从零构造一张图,编辑是在保留主体的前提下改指定区域,后者才是设计师、品牌团队与电商运营每天真正在做的事,也更难做稳:改一句文案不能把旁边的logo带歪,换一次背景不能让商品形状漂移。
商汤对U1 Pro的定位也压在这一点上,强调的是长程任务:从一份论文里提取信息并生成视觉内容,从一组商品图出发完成素材处理、商品图与详情页设计,从创意需求出发做海报、菜单与分镜,并且把生成、自检、修正、交付校验串成一次交付。这套叙述的关键词不是"更好看",而是"一次交完"。
问题在于,长程任务的成败无法用一张图投票体现。用户看到的仍是最终成品,看不到中间改了几轮、失败了几次。所以编辑榜名次高只能说明单次编辑的输出更受欢迎,交付率、返工次数、批量一致性这些企业真正在意的指标,榜单测不到,也不会公布。
任何Elo榜都是时间切片。参赛模型会更新,投票人群会变化,题目集会增删,名次因此持续漂移。今天第六,下周可能第五也可能第八,这不代表模型变强或变弱,只代表参与比较的集合变了。把某一天的截图当成长期结论,是最常见的误读。
更实际的读法是看趋势与区间。同一模型连续几周稳定在前十,说明它的水平被反复确认;某次突然跃升,则要确认是模型更新还是新版本参赛。本轮榜单没有公开具体分数、置信区间、有效票数与各任务类别的胜率,因此无法算出第六名与第一名到底差多少。差距小意味着已经接近,差距大则"中国第一"更多反映国内竞争格局。
这也是第三方榜单的普遍局限:它给出方向,不给精度。把它当作筛选候选模型的入口是合理的,把它当作验收依据就过头了。真正决定采购的,永远是自己的任务集与自己的验收标准。
Design Arena还有一张效果与成本兼顾的榜单,把用户偏好和生成价格放在同一张图里比较。这张表对企业客户的价值高于纯质量榜,因为预算约束是硬的:同样一笔钱,能产出多少张可用图,决定了这条产线能不能跑起来。
算法就是把每张图的单价、一次通过率、需要人工返工的比例放在一起,算出每张可用成品图的成本。偏好分高的模型如果单价也高,单位成本未必占优;偏好分中等但便宜且稳定,反而可能赢。只比单价而忽略返工,最后总账往往更贵。
国产模型在这张表上的位置,比在纯质量榜上更值得关注。国内厂商的价格策略普遍更激进,若能同时维持中上水平的偏好分,单位成本优势会很明显。反过来,如果低价是靠牺牲一致性换来的,返工成本会把优势吃回去。判断办法只有一个:拿自己的二十个真实需求跑一遍,数清每一轮改了几次。
把这次榜单放回时间线看,国产图像模型的位置正在移动。过去两年它们的主要卖点是"能用且便宜",现在开始在匿名盲测里被用户主动选中。这个转变比名次更重要,因为它意味着差距从"能力有无"缩小到"体验优劣",而体验优劣是可以靠迭代追上的。
但要说清边界。这次成绩由厂商对外披露,榜单平台本身没有公布分数细节,也没有第三方在相同硬件与相同提示词下做复现。国产模型在高密度中文排版、长图与超高清输出上确实做了差异化选择,这些是真实的产品决策,也是它们在特定任务上占优的原因,但不能外推成全面领先。
对企业用户,建议把验收拆成三个数:一次通过率、单张可用成品成本、批量风格一致率。三个数都在自己的素材上测,跑满两周再决定。榜单负责把候选名单从几十个缩到三五个,剩下的工作只能在生产环境里完成,这一步没有捷径。