知识卡片：LongBanana——面向长上下文多参考图像合成的专家验证基准

一句话结论

LongBanana 是据称首个由专家设计并验证的长上下文多参考图像合成基准，包含 90 个任务、约 4,670 条原子评估项，用于衡量智能体驱动图像生成中对分散视觉证据的检索、绑定与组合能力。

事件概述或研究问题

该基准针对“智能体驱动图像生成”场景：模型需要从大量参考图中检索分散的视觉证据、排除干扰项、绑定实体与关系，并合成一张连贯的最终图像。LongBanana 试图为这类长程、多参考的合成任务提供可审计的测试平台与共同目标。

方法/产品要点

• 任务规模与结构：90 个精心设计的任务，按 3×3 分类法组织；每个任务约含 32 张参考图、20 条约束、50 个评估项，总计 4,670 条专家指定的原子评估项。
• 图 grounded 评估设计：每个任务以参考图和实体-关系图实例化，将节点、边与全图义务转化为清单项，覆盖内容保真度（Content Fidelity）、关系绑定（Relational Binding）与全局约束满足（Global Constraint Satisfaction）。
• 标注质量：专家复核标签中包含 15% 双标子集，精确一致率 89.4%，二次加权 kappa 为 0.83。
• LongBanana-Gen 框架：提出面向长程图像生成的智能体 harness 框架；实验显示最小化 agent harness 相比直接生成有提升，而 ReAct-Plan-Exec-Reflect（RPR）工作流可通过强化证据 grounding 与修复带来依赖 harness 的增益。
• 开源：代码与数据发布于项目页 https://long-banana.com/。

主要结果或产业意义

材料显示，最小 agent harness 即可优于直接生成，RPR 工作流在特定 harness 下进一步带来增益，说明智能体式流程对长上下文多参考合成有实际价值。LongBanana 为衡量“密集视觉证据使用”提供了可审计的测试床，并为开发更强的智能体驱动图像生成系统提供了共享目标。

为什么重要

与已有基准（如 ExpertVerse 侧重知识密集型推理、BEAKER 侧重化学实验室具身执行）不同，LongBanana 聚焦“长上下文 + 多参考图 + 智能体流程”的交汇点，把评估从单图生成推进到需要检索、拒斥干扰与关系绑定的组合式合成，补足了多参考图像合成缺乏专家级审计基准的空白。

局限与不确定性

• 摘要未给出具体基线模型名单、各模型得分或与现有基准的量化对比，待核实。
• 3×3 分类法的具体维度、任务难度分布未在摘要中说明，待核实。
• RPR 增益“依赖 harness”的具体条件与幅度待核实。
• 基准规模（90 任务）相对较小，其覆盖面与泛化性待核实。

可用于图书/PPT/简报的角度

• 作为“智能体驱动图像生成”评估演进的时间线节点：从单图生成 → 多参考组合 → 长上下文证据检索。
• 用“节点-边-全图”图 grounded 评估设计讲解如何把复杂合成任务拆成可审计清单。
• 对比 ExpertVerse、BEAKER，说明专家验证基准在不同能力维度上的分工。
• 引用 89.4% 一致率与 0.83 kappa 说明专家标注质量控制方法。

原始材料

• 标题：LongBanana: An Expert-Verified Benchmark for Long-Context Multi-Reference Image Synthesis
• arXiv ID：2611.06856v1（cs.CV, cs.CL）
• 作者：Haoxiang Cao, Yuxuan Zhang, Penghui Du, Bo Li, Jiajiong Cao, Yingying Fan, Zimeng Wu, Yifu Luo, Mingzhe Zheng, Junwen Miao, Huaisong Zhang, Yang Yao, Yu Wang, Dongfu Jiang, Ping Nie, Wenhu Chen, Chaoqun Wang, Changqian Yu, Kelsey R. Allen
• 发布/更新：2026-11-04T18:11:56Z
• Abstract URL：https://arxiv.org/abs/2611.06856v1
• PDF URL：https://arxiv.org/pdf/2611.06856v1
• 项目页：https://long-banana.com/