多主体个性化图像生成要求模型根据引导提示同时精确呈现所有被要求的参考身份及其指定的交互关系。然而，现有最先进模型在这一任务上仍表现不佳，常见问题包括遗漏主体、无法保持参考外观，以及交互归属错误。此外，主要为单主体保真度设计的现有评估指标无法可靠捕捉这些错误：随着主体数量增加，这些指标在排序可分性上严重退化，并且与人类偏好的一致性下降。为填补这一空白，来自Zhihan Chen等10位作者的研究团队提出了多主体交互基准与评估器（MIBE），这是一个统一框架，由多主体交互基准（MIB）和多主体交互评估器（MIE）两部分组成。该论文于2026年7月1日提交至arXiv，编号为arXiv:2607.01383，属于计算机视觉与模式识别（cs.CV）领域，全文约15,000 KB。
MIB通过一种解耦的数据机制系统地覆盖了多样化的关系类型和场景复杂度。该机制由两个数据集构成：一个是包含6万对样本、由视觉语言模型（VLM）标注的Silver Set，用于可扩展的指标训练；另一个是包含4千对样本、采用双盲人工评估的Gold Set，覆盖多种最先进的生成器。研究显示，Silver Set在不同VLM之间达到了95.1%的偏好一致性，这为其作为训练信号提供了可靠性依据。Gold Set则作为衡量评估器是否真正与人类判断对齐的最终检验标准。
为了展示该基准的实用性，作者提出了MIE——一个轻量级、以参考图像为条件的评估器，仅使用Silver Set训练，并采用双头排序与诊断目标。MIE在Gold Set上展现出强大的跨生成器泛化能力，相对于人类偏好的总体成对准确率达到0.922，其中在已见过的生成器上为0.982，在未见过的生成器上为0.884。这一结果说明该评估器并非简单记忆特定模型的输出特征，而是学习到了可迁移的判断依据。
通过超越包括CLIP和DINO变体在内的多种基线指标，MIE表明诊断性监督能够在传统评估器失效的情况下保持排序可分性和人类对齐。换言之，当主体数量增加、传统保真度指标开始崩溃时，MIE仍能稳定区分生成质量的高低，并给出与人类偏好一致的排序。论文的提交历史显示，该版本（v1）于2026年7月1日18:44:01 UTC上传，由Xinyu Yao提交，全文可通过PDF、实验性HTML以及TeX源码等形式获取。