ERNIE-Image 复杂指令压力测试：多对象、计数、属性绑定与长文本渲染实战

把一段"画九个小人，每个姿势不同、服装不同、旁边配不同文字"的提示词丢给模型，会发生什么？有的模型把配文 "bye bye!" 画成 "bye!"，有的模型直接误解角色数量，还有的模型在第三个角色身上就开始崩。这是 ERNIE-Image 技术报告里真实记录的一组对比——复杂指令遵循，正是它和顶级闭源模型贴身肉搏的战场。

对设计师和内容创作者来说，复杂指令遵循能力直接决定了能不能靠一段提示词画出海报、漫画分镜、信息图这类"内容准确性优先"的作品。这篇文章把 ERNIE-Image 的这项能力拆开来看：官方基准怎么测、哪些场景最强、实战提示词怎么写。

基准怎么测

ERNIE-Image 的指令遵循能力主要靠三套基准衡量。GenEval 测组合生成——单对象、多对象、计数、颜色、位置、属性绑定六类任务；OneIG-Bench 测知识密集与推理型指令；LongTextBench 测长文本渲染。三套基准覆盖了从"画一只红苹果"到"画九宫格角色贴纸"的全部难度梯度。

组合生成成绩单

GenEval 上，ERNIE-Image 关掉 Prompt Enhancer 时总分 0.8856，发布时位居开源模型第一。拆开看单项：单对象 1.0000、双对象 0.9596、颜色 0.9282、位置 0.8550、属性绑定 0.7925、计数 0.7781。

计数是最难的——"画 7 个物体"这种指令对扩散模型天然不友好，0.7781 已经是开源第一梯队。属性绑定次之，它要求把"红色给苹果、不给椅子"这种对应关系画对。如果你要画多物体场景，这两项决定了上限。

PE 开关的学问

Prompt Enhancer 是 ERNIE-Image 的招牌组件，但开不开要看场景。官方数据给出了清晰的分工：组合生成（GenEval）关 PE 更准（0.8856 vs 0.8728），因为 PE 改写提示词可能丢掉精确绑定；知识密集与推理型指令（OneIG-Bench）开 PE 更强（0.5750 vs 0.5537）；长文本渲染开 PE 略优（0.9733 vs 0.9636）。

实战经验一句话：已经写得很细的提示词关掉 PE，简短提示词交给 PE 扩充。 画复杂场景、精确版面时务必关，防止 PE 改动你的布局描述。

长文本渲染

LongTextBench 上，ERNIE-Image 开 PE 平均 0.9733（英文 0.9804 / 中文 0.9661），仅次于 Seedream 4.5，压过 GLM-Image（0.9656）、Nano Banana 2.0（0.9650）和 Qwen-Image-2512（0.9604）。中英文双强，这对要画中文海报、中文漫画的团队是实打实的优势。

多对象写法

多对象提示词的核心是"每个对象独立描述"。技术报告里的九宫格贴纸案例就是范本：先给全局布局（4 行 6 列、统一画风、统一主角），再逐格给出姿势、表情、配文。这种"总-分"结构把计数和属性绑定的压力拆散，模型更容易跟住。

另一个要点是显式位置词。写"左边是 A、右边是 B"比写"A 和 B"准确得多；写"上方标题、下方正文"比"有标题有正文"可靠得多。ERNIE-Image 在位置任务上 0.8550 的成绩意味着它听得懂空间词，但要你把空间关系说清楚。

知识密集型指令

ERNIE-Image 对需要背景知识的提示词也有一套。OneIG-Bench 测的正是这类指令——比如"穿唐装的将军"意味着特定甲胄样式，"江南水乡"意味着白墙黛瓦。PE 开着的 0.5750 说明它能把隐性知识补进画面。实战技巧：文化、历史、职业这类词，越具体越好，让模型有据可依。

结构化版面

ERNIE-Image 最被低估的能力是结构化生成。信息图、漫画分镜、多格布局这类"画面里有明确版式"的任务，是它的舒适区。官方推荐的写法是显式网格加逐格描述：先定义"8 个区块、2 行 4 列、扁平矢量风、深色底金字"，再逐个区块给内容。文字渲染 0.9733 的底子，让每个区块的标题、数字、注释都能清晰呈现。

实战清单

最后给一份可以直接抄的检查清单。画复杂场景前，先确认这四件事：每个对象有没有独立的颜色/材质描述；数量有没有显式写出来（"恰好 7 个"）；空间关系用的是不是"左/右/上/下"这类明确词；有没有把 PE 关掉。四条都做到，GenEval 里那些丢分项基本都能避开。

复杂指令遵循是 2026 年开源文生图的分水岭能力。ERNIE-Image 用 8B 参数在这项上站稳了开源第一梯队，靠的不是堆参数，而是训练数据里对"内容准确性"的偏重。对把 AI 生图用于真实生产的团队来说，这项能力比画质更值钱——毕竟海报上的字错了，画面再美也得重画。