GenAI-Arena：首个多模态生成 AI 排名开放平台

生成式 AI 指的是能够生成新内容（如图像、视频、文本等）的人工智能技术。近年来，生成式 AI 在图像和视频生成领域取得了突破性进展，例如：

艺术创作：生成式 AI 可以根据文本描述生成各种风格的艺术作品，例如风景画、人物肖像、抽象艺术等。
视觉内容增强：生成式 AI 可以用于视频剪辑、图像修复、图像风格迁移等，提升视觉内容的品质和效果。
医疗影像：生成式 AI 可以用于医学图像的生成和分割，辅助医生进行诊断和治疗。

尽管生成式 AI 取得了显著进展，但评估这些模型的性能仍然是一个挑战。传统的评估指标，例如 PSNR、SSIM、LPIPS、FID 等，虽然在某些方面提供了有价值的洞察，但在提供模型整体性能的全面评估方面往往不足，尤其是在涉及主观质量如美学和用户满意度时。

GenAI-Arena 旨在解决这一问题。它是一个开放的评估平台，允许用户参与评估不同的图像和视频生成模型。用户可以生成图像或视频，将它们并排比较，并为它们投票。通过利用用户的反馈和投票，GenAI-Arena 旨在提供一个更民主、更准确的模型性能评估方法。

1 生成式 AI 评估指标和生成式 AI 评估平台

1.1 生成式 AI 评估指标

CLIPScore：通过计算图像和文本的 CLIP 嵌入的余弦相似度来衡量图像和文本的一致性。
IS (Inception Score)：衡量图像的多样性和清晰度。
FID (Fréchet Inception Distance)：衡量真实图像分布和生成图像分布之间的差异。
PSNR (Peak Signal-to-Noise Ratio)：衡量图像的重建质量。
SSIM (Structural Similarity Index)：衡量图像的结构相似性。
LPIPS (Learned Perceptual Image Patch Similarity)：衡量图像的感知相似性。
MLLM (Multimodal Large Language Model) 作为评估指标：例如，T2I-CompBench 使用 miniGPT4 评估文本到图像生成任务，TIFA 使用视觉问答技术评估文本到图像生成任务，VIEScore 使用 MLLM 作为统一的评估指标。

1.2 生成式 AI 评估平台

T2I-CompBench：评估组合文本到图像生成任务。
HEIM：提供文本到图像任务的全面评估框架，包括安全性、毒性等方面。
ImagenHub：评估文本到图像、图像编辑和其他图像生成任务。
VBench：提供视频生成任务的评估方法。
EvalCrafter：评估大型视频生成模型。
Chatbot Arena：评估 LLM 的性能，用户可以通过聊天的方式与 LLM 进行交互并为其投票。

2 平台的设计与实现

GenAI-Arena是首个具有全面评估能力的平台，它不仅支持多种任务，包括文本到图像的生成、文本引导的图像编辑和文本到视频的生成，而且还包括一个公共投票过程，以确保标签的透明度。

2.1 设计概述

GenAI-Arena 提供一个直观和全面的评估平台，用于生成模型，促进用户交互和参与。平台围绕三个主要任务构建：文本到图像生成、图像编辑和文本到视频生成。每个任务都支持一组特性，包括：

匿名并排投票系统：用户可以将两个匿名模型的输出并排比较，并根据偏好进行投票。
对战 playground：用户可以输入提示，生成两个模型的输出并进行比较。
直接生成标签：用户可以直接生成模型的输出，并进行比较和投票。
排行榜：根据用户的投票，为所有评估模型生成 Elo 排行榜。

具体如下图所示：

2.2 设计的关键

2.2.1 标准化推理

GenAI-Arena 标准化现有模型的代码库，并固定了超参数和提示格式，这使得不同模型的推理公平且可复现。遵循 ImagenHub 的做法，构建了 VideoGenHub 这个新库，旨在标准化不同文本到视频和图像到视频模型的推理过程。找到了这些模型的最佳超参数，以确保它们的最高性能。

2.2.2 投票规则

匿名战斗部分旨在确保无偏见的投票和对生成模型的准确评估。这部分的规则如下：

用户输入一个提示，然后用于从同一任务类别的两个匿名模型生成输出。
两个匿名模型生成的输出并排呈现以供比较。
用户可以根据他们的偏好进行投票，使用选项：1）左边更好；2）右边更好；3）平局；4）两者都不好。这四个选项用于计算 Elo 排名。
用户做出决定后，点击“投票”按钮提交他们的投票。重要的是要确保整个过程中模型的身份保持匿名。如果在互动过程中透露了模型身份，则不会计算投票。

2.2.2 模型集成

GenAI-Arena 集成了各种最先进的生成式 AI 模型，涵盖了不同的任务和技术。

2.2.2.1 文本到图像生成

SDXL、SDXL-Turbo 和 SDXL-Lightning 都是基于 SDXL衍生的，而 SDXL-Turbo和 SDXL-Lightning采用了不同的蒸馏方法。

2.2.2.2 图像引导的图像编辑

一些是即插即用方法，不需要任何训练，如 Pix2PixZero、InfEdit、SDEdit 等。这些方法可以应用于广泛的扩散模型。一些模型如 PnP 和 Prompt2Prompt 需要 DDIM 反演，这比其他方法需要的时间长得多。模型还包括了专门训练的图像编辑模型，如 InstructP2P 、MagicBrush 和 CosXLEdit 。

2.2.2.3 文本到视频生成

AnimateDiff 、ModelScope 、LaVie 是从 SD-1.5 初始化的，并通过注入运动层来捕获帧之间的时间关系继续训练的。与此相反，StableVideoDiffusion 和 VideoCrafter2是从 SD-2.1 初始化的。除了这些模型，还包括了 OpenSora ，它使用了类似 Sora 的扩散变换器架构进行联合时空注意力。

2.2.3 Bradley-Terry 模型

GenAI-Arena 使用 Bradley-Terry 模型进行统计估计 Elo 排名，以克服直接 Elo 计算的局限性。

2.2.4 置信区间

为了进一步调查估计的 Elo 评分的变异性，GenAI-Arena 使用了 Huber 等人描述的 "三明治" 标准误差。也就是说，对于每一轮，我们记录基于从前一轮中抽取的相同数量的战斗的估计 Elo 评分。这个过程持续了 100 轮。我们选择最低的采样 Elo 评分作为置信区间的下限，最高的采样 Elo 评分作为 Elo 评分的上限。

2.2.5 GenAI-Museum

当前 GenAI-Arena 在 Hugging Face Zero GPU 系统上运行模型，单个生成推理的时间通常在 5 到 120 秒之间。与自回归语言模型不同，后者使用如 VLLM 、SGLang等推理加速技术在不到一秒钟的时间内生成响应，扩散模型社区并没有这样强大的基础设施。因此，预计算成为减轻计算开销和简化用户交互的必要方式。

GenAI-Museum 作为一个预计算数据池，包含来自现有数据集或用户收集的各种输入，以及每个模型的输出。基于此，额外实现了一个 "随机样本" 按钮，以促进随机生成提示并立即检索相应的图像或视频。这个功能通过每次点击 "随机样本" 按钮时向部署的 GenAI-Museum 发送请求，接收输入和两个随机模型的预计算输出来操作。通过这种方式，我们在 GPU 上节省了计算时间，使用户能够在 UI 上进行即时比较和投票，并平衡每个独特输入的投票，以便我们逐渐收集所有模型的完整组合的投票。

3 GenAI-Arena 排行榜

在图像生成方面，总共收集了 4443 票。当前排名最高的模型是 Playground V2.5 和 Playground V2，这两个模型都由 Playground.ai 发布，它们遵循与 SDXL 相同的架构，但是使用私有数据集进行训练。相比之下，SDXL 仅排名第七，明显落后。这一发现突显了训练数据集的重要性。在 Playground 模型之后是 StableCascade，它采用了高效的级联架构来降低训练成本。StableCascade 仅需要 SD-2.1 的 10% 训练成本，然而它在我们的排行榜上显著超过了 SDXL。这突显了扩散架构在实现强大性能方面的重要性。
在图像编辑方面，总共收集了 1083 票。MagicBrush、InFEdit、CosXLEdit 和 InstructPix2Pix 排名较高，因为它们可以在图像上执行局部编辑。PNP 通过特征注入保留了结构，因此限制了编辑的多样性。像 Prompt-to-Prompt、CycleDiffusion、SDEdit 和 Pix2PixZero 这样的旧方法，在编辑过程中经常导致完全不同的图像，尽管图像质量很高，这也解释了这些模型排名较低的原因。
在文本到视频方面，总共有 1568 票。T2VTurbo 以最高的 Elo 得分领先，表明它是最有效的模型。紧随其后的是 StableVideoDiffusion 排名第二。VideoCrafter2 和 AnimateDiff 的 Elo 得分非常接近，显示出几乎等同的能力。LaVie、OpenSora、ModelScope 和 AnimateDiff-Turbo 以递减的得分紧随其后，表明性能逐渐降低。

4 GenAI-Bench数据集

使用 Llama Guard 作为 NSFW 过滤器，以确保用户输入的提示适合广泛的受众，并保护基准测试的用户不接触到可能有害或冒犯的内容。在文本到图像生成任务中，总共收集了 4.3k 匿名投票，在过滤后剩下 1.7k 投票用于安全内容。观察到大量提示因性内容而被过滤掉，这占据了废弃数据的 85.6%。