Haoxiang Cao氏をはじめとする研究チームは2026年11月4日(現地時間)、arXivにおいて、長文脈多参照画像合成のための専門家検証済みベンチマーク「LongBanana（ロングバナナ）」を発表した。これは、エージェント駆動型画像生成の時代における初の試みとされており、視覚的証拠の検索、妨害要素の排除、エンティティと関係の結合、複数の参照からの画像合成といった複雑なタスクに対応する。
LongBananaは、長文脈多参照画像合成の能力を評価するために設計されたベンチマークであり、90のタスクで構成されている。各タスクには約32枚の参照画像、20の制約、50の評価項目が含まれ、合計で4,670の専門家指定の評価項目がある。
評価設計にはグラフを基盤とした手法が採用されている。各タスクは参照画像とエンティティ・関係グラフを用いてインスタンス化され、ノード、エッジ、およびグラフ全体の義務がContent Fidelity（コンテンツ忠実度）、Relational Binding（関係結合）、Global Constraint Satisfaction（全体制約満足度）のチェックリスト項目に変換される。
専門家によるレビュー済みのラベルには、15%のダブルラベリングされたサブセットが含まれており、89.4%の完全一致と0.83の二次加重カッパが記録されている。研究チームはまた、長期間の画像生成のためのエージェントハーネスフレームワークLongBanana-Gen（ロングバナナ・ジェン）も導入した。実験では、最小限のエージェントハーネスが直接生成を上回る改善を示し、ReAct-Plan-Exec-Reflect（RPR）ワークフローが証拠のグラウンディングと修復を強化することでハーネス依存の成果をもたらすことが確認された。
LongBananaは、密な視覚的証拠の使用状況を測定するための監査可能なテストベッドとして機能し、より強力なエージェント駆動型画像生成システムを開発するための共通の目標を提供する。コードとデータはプロジェクトページで公開されている。
参考: arXiv cs.CV (アーカイブ) — 2026年11月5日 03:11 (JST)
原文ハイライト"the first expert-designed and expert-verified benchmark for long-context multi-reference image synthesis"