本文提出CREval，一个针对复杂创意图像编辑任务的自动化评估框架。针对现有评估方法在创意任务上的不足，构建了包含874张图像和13K问答对的CREval-Bench数据集，从指令遵循、视觉一致性和视觉质量三个维度进行评估。该方法通过问答对形式实现可解释性评估，减少大模型偏见问题。实验表明，该方法与人类偏好一致，能有效评估主流生成模型在复杂创意任务上的表现。闭源模型中Seedream4.0表现最佳