摘要： OpenRouter 在 2026 年 8 月 21 日推出 Visual Image Benchmarks，把 39 個影像模型放在七類刻意設計的挑戰中比較，並可依價格與生成時間排序。這套基準用來快速收斂候選模型，但仍要用自己的內容實測，尤其涉及品牌文字、特定數量或複雜版面時。
挑文字模型的時候，能翻的 LLM benchmark 多得是；換成影像模型，可參考的東西就少了很多。OpenRouter 在 2026 年 8 月 21 日推出 Visual Image Benchmarks，要處理的正是這個落差：讓開發者與產品工作者在選影像模型時，不必只依靠官方範例圖或社群評分。這家公司目前上架 39 個影像模型，新的基準頁面把各模型的輸出擺在一起並排呈現，而且能依價格與生成時間排序。
挑影像模型為何這麼困難？
文字模型的評測方式已經發展得相當成熟，影像模型卻沒有同等深度的基準可用。OpenRouter 觀察到，廠商端提供的輸出樣本多半是精挑細選的「eye candy」；至於請 LLM 擔任評審的評估方式，現階段仍然看不出人類一眼就能察覺的細節。競技場（arena）分數不是沒有參考價值，但它衡量的其實是「使用者更喜歡哪一張圖」，並非「這個模型做不做得到某件事」。
這也正好是產品決策卡住的地方：當你的功能需要穩定的文字渲染、正確的物件數量，或是在同一張圖裡同時放進多種語言，只盯著範例圖看，很容易做出錯誤判斷。
七類挑戰，把能力差異變成可比較的結果
這套新基準不靠一兩張漂亮成品決勝負，而是用刻意設計的 Prompt 去逼出模型的能力邊界。OpenRouter 一開始把挑戰分成七個類別：
- 不合理場景：像是酒倒到與杯緣齊平、收合起來的雨傘。這兩種東西在訓練資料裡出現的幾乎都是「正常版本」。
- 計數：三根手指、指定張數的卡片或指定顆數的骰子。
- 文字：海報上一長串指定字串，以及同一個畫面裡出現多種語言。
- 空間關係：遮擋與鏡面反射。
- 否定指令：身上沒有條紋的斑馬、完全沒有廣告的時代廣場。
- 編輯：以參考圖為基礎做最小幅度修改、移除物件或人物。
- 一致性：讓同一項產品或四個參照主體在新場景中維持一致。
這些 Prompt 的設計原則是讓人一眼就能判斷結果好壞。以酒杯為例，模型究竟能不能照著指令把酒裝到杯緣？在真實產品裡，這類能力往往比「畫得漂亮」更關鍵。
先靠基準篩出候選，再拿自己的資料驗證
對產品工作者而言，這類基準的價值在於能快速建立 shortlist。你可以先觀察模型在各個挑戰類別的表現在哪個水準，再透過 OpenRouter 的圖像生成 API 或 Chat 介面，用自己的 Prompt 實際跑一輪，確認它在你的真實情境裡是否一樣可靠。OpenRouter 也預告，之後會把同一套評估方式延伸到影片與音訊模型，並持續把新上架的影像模型補進來。
有一點要放在心上：基準只是起點。它能幫你把候選範圍縮小，最後仍得拿自己的內容實測，尤其當產品牽涉品牌文字、特定數量或複雜版面時。把它當成輔助決策的工具，而不是唯一答案，才比較可能挑到真正合適的模型。