🧠 图解记忆： 生图质量不能靠单一分数：离线指标筛查语义与分布问题，视觉 Judge 检查细节，线上行为验证真实用户价值。

💡 答案要点

评估维度：

生图质量评估
├── 语义一致性：生成的图和文字描述匹配吗？
├── 视觉质量：图像清晰，无明显瑕疵？
├── 多样性：多次生成的结果差异够大？
└── 风格一致性：批量生成时风格统一？

定量指标：

指标	含义	计算方式	工具
FID（Fréchet Inception Distance）	生成图与真实图分布距离，越小越好	特征分布KL散度	pytorch-fid
CLIP Score	图文语义相似度（0-1，越高越好）	cos(CLIP图像特征, CLIP文本特征)	openai/clip
IS（Inception Score）	图像质量+多样性综合	Inception网络类别分布	较少用
SSIM	结构相似度（参考图对比）	亮度+对比度+结构	skimage

工程实现：自动化评估管道

展开 Python 代码示例（51 行）

import torch
import clip
from PIL import Image

class ImageQualityEvaluator:
    def __init__(self):
        self.clip_model, self.preprocess = clip.load("ViT-B/32")

    def clip_score(self, image_path: str, prompt: str) -> float:
        """图文语义相似度 CLIP Score"""
        image = self.preprocess(Image.open(image_path)).unsqueeze(0)
        text = clip.tokenize([prompt])

        with torch.no_grad():
            image_feat = self.clip_model.encode_image(image)
            text_feat  = self.clip_model.encode_text(text)

        # 余弦相似度
        score = torch.cosine_similarity(image_feat, text_feat).item()
        return score  # 一般 0.25+ 认为语义匹配

    async def llm_judge(self, image_path: str, prompt: str) -> dict:
        """LLM 作为裁判进行多维评估"""
        response = await vision_llm.complete(
            image=image_path,
            text=f"""
            评估这张图片与描述的匹配程度。
            描述：{prompt}

            从以下维度打分（0-10）：
            1. 语义匹配度：图像内容与描述是否一致
            2. 视觉质量：清晰度、色彩、构图
            3. 细节准确性：描述中的关键细节是否都体现

            输出JSON: {{"semantic": 0-10, "quality": 0-10, "detail": 0-10, "overall": 0-10}}
            """
        )
        return json.loads(response)

    def batch_evaluate(self, generations: list[dict]) -> dict:
        """批量评估，输出汇总报告"""
        scores = []
        for gen in generations:
            clip_s = self.clip_score(gen["image"], gen["prompt"])
            scores.append(clip_s)

        return {
            "avg_clip_score": sum(scores) / len(scores),
            "min_clip_score": min(scores),
            "pass_rate": sum(1 for s in scores if s > 0.25) / len(scores)
        }

实际评估体系（三层）：

线下评估：FID + CLIP Score（自动化，CI/CD集成）
上线灰度：A/B 测试，真实用户满意度
线上监控：用户点赞/重新生成率（代理指标）

面试话术：

"生图评估应组合语义一致性、视觉质量、文本可读性、安全性和线上行为。CLIP Score 与 FID 只能衡量部分代理指标，阈值必须用本业务数据校准；视觉模型 Judge 也会有位置、风格和模型同源偏差，因此需要盲测人工抽检与失败案例集。"

📚 参考：Hugging Face Evaluate（生成质量评估工具库）

应用

应用	技术选型
图文检索	CLIP + 向量数据库
图像字幕	BLIP / BLIP-2
视觉问答	BLIP-2 + LLM
多模态 RAG	CLIP检索 + GPT-4V生成
LLaVA	CLIP+MLP+LLaMA,两阶段训练(对齐+指令)