传统AI图像生成技术虽能产出视觉惊艳的作品，但在处理化学分子结构、物理电路图等科学内容时，常因忽视底层逻辑导致严重错误。例如生成的分子结构可能原子数量不符，电路连接方式违背物理规律。研究团队指出，现有文本到图像模型过度依赖视觉相似性，如同让未学过化学的人凭想象绘制分子式，结果必然偏离科学本质。
为客观评估生成质量，研究团队构建了包含1400个测试问题的SciGenBench基准体系。该体系覆盖数学、物理、化学等五大领域，通过“视觉问答”反向验证图像准确性——若AI能正确回答图中电阻值、几何坐标等具体问题，则证明图像信息无误。评估维度涵盖信息完整性、几何精度、科学合理性等五个方面，确保全面把握图像质量。
基于研究结论，团队提出“螺旋协同演进”发展路径：程序化方法可为像素生成提供结构化训练数据，帮助其学习科学逻辑；像素生成的视觉表现力则可反哺程序化方法，使图像更生动直观。这种工程师与艺术家的跨界合作模式，有望催生新一代科学图像生成系统——既能绘制精密工程图，也能制作科普宣传材料，甚至具备逻辑推理与创造性想象的双重能力。
