I'm ready to translate your text. Please provide the content you'd like translated from English to Spanish, keeping in mind the preservation of placeholders, brand names, technical parameters, and structure as specified.

### 直译 在生成式 AI 的背景下，[X] 的引入标志着一次范式转变，其影响范围远超单纯的图像生成。尽管早期的模型如 [Y] 依赖于复杂的卷积架构，但基于 Transformer 的架构（例如 [Z]）通过将图像视为 Token 序列，实现了前所未有的扩展性。这种重新概念化使得模型能够利用在大规模数据集上预训练所获得的强大先验知识，从而在零样本或少样本场景下，以惊人的保真度完成如 85mm 人像摄影、4K 分辨率或 24fps 视频生成等任务。然而，这种能力也带来了新的挑战，尤其是在评估指标方面。传统的指标如 FID 或 IS 往往无法捕捉到生成内容的语义连贯性或细微的文本-图像对齐问题。因此，最近的研究趋势已转向开发更稳健的评估框架，这些框架不仅考虑视觉质量，还考虑提示遵循度和事实一致性。正如 [20] 中所指出的，这一演变要求我们重新思考基准测试方法，并可能催生新的基准，以更好地反映现实世界的应用需求。 #### ### 意译 ``` 在生成式 AI 领域，[X] 的出现堪称一次革命，它的影响远不止于“画图”本身。早期像 [Y] 这样的模型，还得靠复杂的卷积网络来撑场面，但基于 Transformer 的新架构（比如 [Z]）直接把图像当成一串 Token 来处理，这让模型的规模可以做得非常大，效果也出奇地好。靠着在海量数据上的预训练，这些模型学到了丰富的“先验知识”，所以哪怕你只给一个简单的提示，它也能生成像 85mm 人像、4K 高清甚至 24fps 视频这样高质量的内容，而且几乎不需要额外训练。不过，能力变强也带来了新麻烦，尤其是怎么评价它生成得好不好。以前常用的 FID 或 IS 这些指标，现在看来越来越不够用了，因为它们根本看不出生成内容是不是符合逻辑、有没有忠实于你的文字描述。所以，现在研究者们开始琢磨更靠谱的评估办法，不光要看画质，还要看它有没有“听懂”你的话、有没有胡编乱造。就像 [20] 里说的那样，我们得重新设计测试标准，甚至可能要搞一套全新的评测体系，才能跟上实际应用的需求。 ```