tifa

用问答方式自动检查AI画图是否忠实于文字描述

TIFA 是一个用于评估文本到图像生成模型忠实度的开源工具，由微软研究院开发。它通过将输入文本提示分解为若干原子问题，并利用视觉问答（VQA）模型对生成的图像进行提问，从而自动判断图像是否准确反映了文本中的每个关键元素。该工具解决了传统评估指标（如FID、IS）无法细粒度反映文本-图像一致性的问题，提供了可解释的、逐项检查的评估方式。其核心能力包括：基于LLM的提示词分解、VQA驱动的答案验证、以及可扩展的评估框架，支持多种T2I模型和VQA模型。TIFA旨在为研究人员和开发者提供一个标准化、自动化的忠实度评估基准，以促进文本到图像生成技术的改进。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 188

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Yushi-Hu

所属国家

官网地址https://tifa-benchmark.github.io

GitHubhttps://github.com/Yushi-Hu/tifa

定价模式free

价格说明开源项目，Apache-2.0许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型image-to-text,large-language-models,text-to-image,visual-question-answering

GitHub 星标★ 188

30天Star增速

HF 下载量

上线时间2023-03-21 00:00:00

最近更新2026-08-28 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

细粒度评估：将提示词拆解为原子问题，逐项验证，定位具体失败点
可解释性强：输出每个问题的问答结果，便于分析模型错误原因
自动化流程：无需人工标注，利用VQA模型自动评估，节省人力

不足之处

依赖VQA模型性能，VQA本身的误差会影响评估准确性
问题生成依赖LLM，对复杂提示词可能分解不完整
文档/社区待观察

适用场景

对比不同T2I模型的忠实度表现
在模型训练中作为反馈信号，优化文本-图像一致性
为生成图像质量评估提供细粒度诊断报告

替代项目

CLIPScore、BLIP-VQA、ImageReward

项目介绍

tifa 是评测安全领域的开源项目，由 Yushi-Hu 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 188。

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 2026-08-28。Apache-2.0许可证，完全免费，无付费版本。

它主要面向的使用场景是：对比不同T2I模型的忠实度表现。同类可对比的替代方案包括 CLIPScore、BLIP-VQA、ImageReward。

上一篇：Anti-DreamBooth

下一篇：WatermarkDM