Главная проблема современных моделей генерации при работе с несколькими героями — это attribute misbinding (ошибка связывания, когда черты одного объекта «перетекают» на другой). Вы просите нарисовать рыжего кота и серую собаку, а получаете рыжую собаку. Старые бенчмарки плохо ловили такие нюансы, оценивая картинку в целом, а не по каждому объекту отдельно. Исследователи представили MultiBind — новый стандарт оценки, созданный на основе реальных фотографий нескольких людей. Для каждого случая подготовлены точные маски, боксы и структурированные промпты. Главная фишка метода — dimension-wise confusion evaluation...