下一个Token已足够：基于多模态大语言模型的逼真图像质量与美学评分

移动互联网的迅猛发展带来了用户生成内容（UGC）图像的急剧增长，使得对UGC图像进行系统而全面的评估变得尤为紧迫且至关重要。近年来，多模态大语言模型（MLLMs）在图像质量评估（IQA）与图像美学评估（IAA）方面展现出巨大潜力。然而，当前在有效评分UGC图像的质量与美学方面仍面临两大核心挑战：其一，单一评分难以捕捉人类感知的层次化特征；其二，如何利用MLLMs输出数值化评分（如平均意见得分，MOS）仍是尚未解决的关键问题。为应对上述挑战，我们提出一个全新的数据集——真实图像质量与美学数据集（Realistic image Quality and Aesthetic, RealQA），包含14,715张UGC图像，每张图像均标注了10个细粒度属性。这些属性涵盖三个层次：低层属性（如图像清晰度）、中层属性（如主体完整性）以及高层属性（如构图美感）。此外，我们开展了一系列深入且全面的研究，探索如何高效利用MLLMs预测数值化评分。令人惊讶的是，仅通过预测两个额外的显著数字，采用“下一标记”（next token）范式即可实现当前最优（SOTA）性能。进一步地，在引入思维链（Chain of Thought, CoT）并结合学习得到的细粒度属性后，所提出的模型在五个公开的IQA与IAA数据集上均超越现有SOTA方法，展现出更优的可解释性，并在视频质量评估（VQA）任务中表现出强大的零样本泛化能力。相关代码与数据集将对外公开发布。