知识卡片：MoI-Bench：面向移动设备图像生成与编辑的基准

一句话结论

MoI-Bench 是一个以移动端用户需求为出发点的图像生成与编辑基准，通过“操作 × 目标”的解耦设计和“质量—可部署性”二维能力图，揭示端侧模型与服务器端模型的差距，并指出端侧模型扩大任务覆盖比继续提升部署效率更值得关注。

事件概述或研究问题

开发端侧图像模型需同时考虑实际用户需求、任务类型和设备资源约束，但现有基准难以指导识别端侧模型与服务器端模型之间的能力差距。MoI-Bench 针对这一问题提出面向移动设备的评测方案。

方法/产品要点

• 数据集规模：包含 64 个子任务、1150 个样本。
• 双轴任务设计：定义 16 种操作（如移除、替换）和 8 个视觉目标类别（覆盖人像、文本等内容），二者正交组合形成具体任务（如“去除面部妆容”）。
• MoI-Eval 评测方法：引入任务特定标准，覆盖指令遵循、视觉质量和细节保持；构建样本级评测问题，并将分数聚合为沿操作、目标和标准轴的整体质量与能力画像。
• 能力图：不同于传统单分数排名，提出二维“质量—可部署性”能力图，用于评估模型在实际移动场景中的可用性。
• 评测范围：评估代表性端侧与服务器端模型，并测量移动端部署成本。

主要结果或产业意义

• “操作 × 目标”的解耦设计能为紧凑模型改进提供更细粒度指导，例如应优先解决特定能力缺口（如文本替换），而非宽泛的应用级目标（如改进文本编辑）。
• 能力图显示：当前端侧模型已能实现高效生成或编辑，扩大任务覆盖比进一步提升部署效率更值得关注。
• 后续进展需提升编辑质量，尤其是身份保持和文本渲染，同时拓宽任务覆盖。

为什么重要

现有图像生成/编辑基准多以单一分数排名模型，难以反映端侧部署的资源约束与实际用户需求。MoI-Bench 将“质量”与“可部署性”并列评估，为端侧图像模型的研发优先级提供了更贴近落地的判断依据——对移动端产品选型与模型压缩方向均有参考价值。

局限与不确定性

• 材料仅提供摘要，基准的具体构建细节、评测协议与统计显著性待核实。
• 16 种操作与 8 类视觉目标的完整清单待核实。
• 所评测模型的具体名单与部署成本测量方法待核实。
• 论文发表于 arXiv（2026-10-27），尚未确认同行评审状态。

可用于图书/PPT/简报的角度

• “端侧 vs 服务器端”图像模型能力差距的可视化：质量—可部署性二维图。
• 评测粒度演进：从单一总分到“操作 × 目标 × 标准”的多维能力画像。
• 移动端 AI 产品规划启示：先扩任务覆盖，再抠部署效率。

与既有脉络的关系

与 CPI-Bench（真实世界图像编辑综合基准）、RIG-BENCH（推理驱动图像生成基准）同属图像生成/编辑评测基准脉络，但 MoI-Bench 的增量在于引入移动端部署成本维度，并将评测目标从“排名”转向“指导紧凑模型的能力补缺”。

原始材料

• 标题：MoI-Bench: A Benchmark for Image Generation and Editing on Mobile Devices
• 作者：Kailai Feng, Haoxiang Rao, Yuxiang Wei, Bo Chen, Junsong Li, Yang Pan, Chengkun Cai, Jagmohan Chauhan
• arXiv ID：2610.37599v1（cs.CV, cs.AI）
• 发布/更新：2026-10-27
• 摘要页：https://arxiv.org/abs/2610.37599v1
• PDF：https://arxiv.org/pdf/2610.37599v1