VIEScore 是评测安全领域的开源项目，由 TIGER-AI-Lab 开发，2023 年首次发布。
它收录于评测安全分类，该分类目前共有 466 个项目，GitHub 星标数为 68。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-07-17。MIT许可证，完全免费，需自行部署使用。
它主要面向的使用场景是：图像编辑质量评估：对比编辑前后差异并解释。同类可对比的替代方案包括 CLIPScore、FID、LPIPS。
VIEScore
用视觉指令让AI解释图像生成好坏，评估不再黑盒。
VIEScore 是一个面向条件图像合成评估的可解释性指标框架，源自 ACL 2024 论文。它解决传统图像生成评估指标（如 FID、CLIP Score）黑盒、不可解释、与人类感知不一致的问题。核心能力是利用视觉指令（Visual Instruction）引导多模态大模型（如 GPT-4V）对生成图像与文本条件进行细粒度、分维度的质量评估，输出自然语言解释和分数。它支持多种评估维度（如颜色、形状、纹理、语义一致性），并可针对不同任务定制指令。项目提供代码和模型，便于研究者复现和扩展，旨在提升生成模型评估的透明度和可诊断性。
开源
free
图像生成
GitHub 星标
★ 68
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类图像生成
开发团队TIGER-AI-Lab
所属国家
定价模式free
价格说明开源项目，MIT许可证，完全免费，需自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型computer-vision,gpt4vision,image-editing,image-generation,visual-question-answering
GitHub 星标★ 68
30天Star增速
HF 下载量
上线时间2023-12-22 00:00:00
最近更新2026-07-17 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数3
使用教程
核心亮点
- 引入多模态大模型进行可解释评估，输出自然语言理由，超越单一分数
- 支持自定义评估维度，适应不同图像生成任务（编辑、条件生成等）
- 基于ACL论文，方法有理论支撑，代码开源便于复现
不足之处
- 依赖GPT-4V等商业API，评估成本高且存在不可控性
- 早期项目（68星），文档和社区支持待观察
适用场景
- 图像编辑质量评估：对比编辑前后差异并解释
- 文本到图像生成模型的细粒度评测
- 生成模型迭代调试：定位具体缺陷（如颜色、纹理）
替代项目
CLIPScore、FID、LPIPS
项目介绍
上一篇：clean-fid
同类项目推荐
akto
开源
给 AI 应用做安全体检，防提示注入和数据泄露
Akto is the fastest growing AI Security platform for your teams to secure AI agents,···
XSafeClaw
开源
给 AI 智能体装上安全盾，自动红队测试找漏洞
Introducing XSafeClaw: The Open-Source Agent Safety Platform from Fudan University
fast-llm-security-guardrails
开源
给 AI Agent 加一道快速安全闸门，防提示注入和隐私泄露
The fastest Trust Layer for AI Agents
deepteam
开源
自动模拟越狱攻击，提前测出 LLM 安全漏洞
DeepTeam is a framework to red team LLMs and AI agents.