这项由中国科学技术大学（教育部脑启发智能感知与认知重点实验室）联合香港理工大学、南洋理工大学共同完成的研究，于2026年5月以预印本形式发布，论文编号为arXiv:2605.08043。

当AI画师忘记了自己答应画什么

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

想象一下，你委托一位AI画师创作一幅画，提出的要求是：“画面左侧站着一个机器人小偷，右侧站着一个小孩侦探，中间的玻璃展柜里放着一架宇宙飞船模型，背景墙上挂一幅宇宙星云壁画，还要有一位身穿银色夹克的馆长举着一张金唱片。”

这个要求相当复杂。问题在于：画师在构思和绘制过程中，可能会忘记机器人小偷必须站在左边，忘记金唱片需要被举在手中，甚至可能把宇宙飞船模型画成火箭发射台。最终你得到的作品，或许每个局部都显得精致，但与你的初始要求相比，却可能完全偏离了方向。

这正是当前主流AI图像生成系统面临的核心挑战。当你输入一段复杂的文本描述时，系统能够生成一张视觉上吸引人的图像，但那些你明确指定的细节——例如特定对象的位置、属性、相互关系——常常会被遗漏、错置，或被系统“自由发挥”所改变。

中国科学技术大学等机构的研究团队深入分析了这一难题，并提出了一套名为SCOPE的创新性系统框架，专门用于解决“AI画师记忆力不足”的问题。下面，我们将沿着该团队设计的“生产流水线”，解析他们如何让AI真正兑现每一个“视觉承诺”。

一、被遗忘的“承诺”：问题根源深度剖析

将复杂图像生成类比为一个大型工程项目，有助于理解问题的本质。业主（用户）向施工方（AI系统）提供了一份详细的设计说明：每个区域应放置什么物品、采用何种颜色、尺寸规格如何。施工方开始作业，但各工序的工人依据的可能是不同版本的图纸，甚至有些工人仅凭口头传达。结果，客厅的沙发颜色被更改，卧室的窗户尺寸出错，最终成品虽已建成，却与原始设计相去甚远。

研究团队将这种现象定义为“概念裂缝”（Conceptual Rift）。更直白地说：在图像生成的完整流程中，用户最初提出的各项具体要求——哪些实体必须出现、它们应具备何种属性、彼此间有何种关系、在画面中处于什么位置——这些要求在生成过程的不同阶段，未能被作为统一的、可追踪的独立单元进行处理。前期解析了需求，但信息未被妥善记录；中期生成了图像，却无法精准评估与原始要求的偏差；后期发现问题需要修正，又难以定位问题具体出自哪一项要求。每个环节看似都在工作，但这些努力彼此割裂，如同施工现场缺乏协调的各个工种。

研究团队将这些“用户明确提出、最终图像必须满足的具体视觉要求”统称为语义承诺（Semantic Commitments）。这一概念十分形象：承诺即答应要做到的事，语义承诺就是那些必须在图像中予以实现的明确细节。问题的关键不在于AI不知道这些承诺的存在，而在于在整个生成过程中，它无法始终将这些承诺作为可识别、可追踪、可校验的独立单元来管理和操作。

正因如此，即便AI系统在某个步骤中检索到了某个角色的正确外观，或在另一个步骤中检测到图像中某个元素绘制错误，这些信息也未必能有效地用于“修正那个特定的、未被满足的承诺”——因为缺乏一个贯穿始终的“承诺档案”来串联和协调这些信息。

二、SCOPE解决方案：为每个承诺建立动态档案

SCOPE的核心设计思想可以类比为高效的项目管理。一位优秀的项目经理会为每项工程要求创建清单，记录其当前状态——是已完成、待确认，还是需返工。所有工人都参照同一份清单作业，每完成或修改一项便更新状态。最终验收也依据此清单逐项核对，而非依赖模糊的整体印象。

SCOPE正是为AI图像生成流程配备的这样一位“智能项目经理”。它将用户的复杂需求分解为一份结构化的语义规范，采用三元组形式表示：目标实体（E）、可验证承诺（C）、未解决信息（U）。

目标实体即图像中必须出现的“演员表”，例如机器人小偷、小孩侦探、馆长、金唱片、宇宙飞船模型。可验证承诺是对这些实体提出的具体要求，研究团队将其进一步细分为三类：属性约束（实体外观、数量、文本内容）、关系约束（实体间的交互或语义关联）以及布局约束（实体在画面中的位置及与环境的空间关系）。未解决信息则记录了那些尚不明确的疑问，例如用户提及一个真实存在的IP角色，但AI不确定其具体视觉特征，便在此标记“需查询该角色外观”。

关键创新在于，这份规范并非一次性生成后固定不变，而是一份动态更新的活档案——随着生成流程推进，它持续被更新。检索到某个角色的外观资料，便更新对应条目；在生成图像中发现某个实体位置错误，即在对应条目标记“验证失败，待修复”；修复完成后，再次更新状态。整个流程从头至尾共享同一份档案，任何环节的操作结果都回写至此，确保后续环节能准确掌握每个承诺的实时状态。

这份活档案从根本上解决了“概念裂缝”问题：它将原本可能在不同步骤中各自为政的操作，全部锚定在同一个可识别的语义单元上。

三、四步核心流水线：从文本到图像的协同工作链

基于这份动态档案，SCOPE构建了一条固定的核心处理流水线，由四个角色依次协作，如同专业制作团队中的不同职能岗位。

第一个岗位是分解器，负责将用户提交的自然语言描述转化为前述的结构化语义规范。用户描述常包含显性及隐性要求，分解器的任务就是全面梳理这些要求，并将其填入档案的相应字段。

第二个岗位是综合器，其职责是根据当前档案状态，将其中已确定的信息整合成一段连贯、详尽、可直接馈送给图像生成引擎的文本描述。这好比将确认后的施工要求汇总成清晰的施工指令，交付给具体执行人员。

第三个岗位是生成器，负责实际生成或编辑图像。它接收综合器输出的指令，产出图像。

第四个岗位是验证器，充当流水线中的质检员。它获取生成的图像，并依据档案逐条核对每个实体和约束。其评估并非笼统的“整体不错”，而是精确到每一条目：实体A是否出现、外观是否正确、约束B是否满足，并为每条给出“通过”、“失败”或“不确定”的判断及理由。

这四个岗位形成一个闭环：若验证全部通过，则任务完成；若有条目验证失败，流程将进入下一轮迭代，调用相应技能修复问题，随后再次经历综合、生成、验证的循环。整个流程最多执行三轮迭代。

四、三种关键技能：精准检索、逻辑推理与智能修复

仅有四步流水线尚不足够，因为某些问题无法在基础流程中解决。为此，研究团队为SCOPE设计了三种可根据具体情况灵活调用的条件技能。重要的是，这些技能的调用都严格锚定在档案中具体的待解决或已失败条目上，确保每次操作都有明确目标。

第一种技能是检索技能，应对“信息缺失”场景。当档案记录显示某个承诺依赖的外部证据尚未获取时——例如用户要求绘制一个真实游戏IP角色，而AI需要其确切外观——检索技能即被激活，通过搜索引擎等工具获取相关视觉资料或事实信息，然后将结果写回档案，关闭对应的“未解决”记录。

第二种技能是推理技能，应对“信息模糊”场景。有时用户描述中包含隐含要求，无需查询外部资料，但需通过逻辑推断才能明确具体内容。推理技能负责澄清此类模糊或隐性的承诺，同样将推导结果写回档案。

第三种技能是修复技能，应对“生成结果验证失败”场景。当验证器发现某个已被明确定义的承诺（无需额外检索或推理）在生成图像中未得到满足时，修复技能便启动。修复并非简单重新生成整张图像，而是根据失败的具体性质，从三种策略中选择最合适的一种：若是指令描述未能准确反映档案要求，则重写指令；若是图像局部存在瑕疵，则对该区域进行局部编辑；若失败范围过广或问题根本，则整体重新生成。这种“精准定位、对症下药”的策略，比无差别重试效率更高、针对性更强。

这三种技能的设计体现了SCOPE的核心哲学：每次技能调用均有据可依，都对应档案中一个具体的待处理条目，调用结果也会反馈至档案，供后续环节利用。技能并非随意取用的工具，而是被精确派遣处理特定承诺问题的专家。

五、Gen-Arena基准：如何定义“真正兑现承诺”

拥有SCOPE系统后，下一个关键问题是：如何客观评估其性能？研究团队发现，现有AI图像生成评测标准存在根本缺陷——它们过于“宽容”。要么为生成图像整体打一个“与描述匹配度”的分数，要么为一系列独立检查项分别评分，却忽略了这些检查项之间的逻辑依赖关系。

这好比在餐厅点餐，服务员端上的菜品中只有部分是你所点的，厨师却以“总体满意度尚可”为由辩解。然而，缺失的菜品可能正是宴席的主菜，没有它们，其他配菜再精美也失去了意义。

为建立一套真正严格、能反映“承诺是否被兑现”的评测标准，研究团队构建了一个全新的人工标注基准测试集，命名为Gen-Arena。

Gen-Arena包含300个测试实例，覆盖六个类别：卡通、游戏、体育、娱乐、竞技和典礼。每个实例配有一段自然语言提示词，并由人工标注者精心整理出配套的结构化评测规范，明确列出图像中必须出现的目标实体及针对这些实体的原子约束。整个数据集共包含1954个实体和2533条约束，并为310个需要精确外观匹配的实例（如特定游戏IP角色）提供了参考图片。

评测方法称为实体门控意图通过率（EGIP）。其逻辑非常直观：首先检查图像中所有必须出现的实体是否均已正确呈现；仅当所有实体均通过检查，才进一步核查那些依赖于这些实体的具体约束是否得到满足；最终，只有全部实体和全部约束均通过，该实例才被视为整体通过。任何一个实体缺席或错误，整个实例直接判定为失败，不考虑其他部分的表现。

这种“一票否决”的严格标准，旨在对抗“整体尚可”的虚假成功感。研究团队认为，如果你要求绘制的是《侠盗猎车手》中的特定角色，而该角色未出现或被替换为无关人物，那么无论背景多么精美、构图多么巧妙，这张图像都应被视为失败。

六、实验结果：数据揭示的性能差距

SCOPE在Gen-Arena基准上的表现，让该领域的其他竞争者相形见绌。在这场严格的承诺兑现测试中，大多数直接生成型AI模型的EGIP得分接近于零。

具体数据：Janus-Pro-7B、SDXL、PixArt-Sigma的整体EGIP均为0.00，意味着在300个严格测试中，它们几乎未能完整兑现任何一次承诺；FLUX.1-dev的EGIP为0.01，SD-3.5-large为0.00，Qwen-Image为0.02，Z-Image-Turbo为0.01。即便是表现最好的直接生成模型Nano Banana Pro，EGIP也仅为0.21。换言之，在每五个复杂图像生成任务中，它大约只有一个能完整兑现所有承诺。

SCOPE的整体EGIP达到了0.60，是Nano Banana Pro的近三倍，比次优模型高出39个百分点。在六个类别中，体育和典礼两个类别的表现尤为突出，分别达到0.72和0.74。这两个类别通常涉及真实人物身份识别、特定赛事关系和精确场景构图，正是SCOPE的检索与推理技能最能发挥优势的场景。

更细粒度的诊断数据也颇具启发性。在实体单项通过率上，Qwen-Image和Z-Image-Turbo其实不差，分别达到0.83和0.84，表明它们多数情况下能画出单个实体。但它们整体EGIP接近零，说明问题在于“单个实体看似正确，但要求所有实体和所有约束同时全部满足时，几乎无法实现”。这印证了“严格承诺兑现”目标的难度：单个元素的准确率高，并不等同于整体满足度高。SCOPE将实体通过率提升至0.92，约束通过率提升至0.83，两者共同作用，才实现了0.60的整体EGIP。

在外部基准测试上，SCOPE同样表现卓越。在测试世界知识密集型图像生成能力的WISE-V基准上，SCOPE获得0.907的综合得分，六个子类别中五个排名第一，整体比Nano Banana Pro高出3.5%；在测试知识与推理密集型视觉生成的MindBench上，SCOPE获得0.61的综合得分，比Nano Banana Pro高出近49%。这些结果表明，SCOPE的承诺追踪机制并非仅对特定评测有效，而是具备广泛的通用价值。

七、消融实验：关键组件贡献分析

为厘清SCOPE各组件的作用，研究团队进行了一系列消融实验，即逐步移除系统中的某些功能，观察性能变化。

将SCOPE简化为最原始的单次直接生成，EGIP为0.21。给予三次独立生成机会并选取最佳结果，EGIP提升至0.40——说明多次尝试有价值，但提升有限。采用“自我改进”方式替代SCOPE（同样三次生成机会，但无结构化承诺档案，仅用自由形式反馈重写描述），EGIP为0.39，甚至低于选取最佳结果的策略。这表明，缺乏结构化承诺档案的支持，即使有迭代修改机会，也难以将局部改进累积为整体成功。

在SCOPE内部，若关闭检索和推理技能（仅保留分解和修复），EGIP骤降至0.22，几乎与单次直接生成无异。这有力证明：仅有结构化分解，而无技能填充“未解决信息”，承诺档案仅是一份空白的待办清单，无法助力生成更准确的图像。若单独关闭修复技能（保留检索和推理），EGIP为0.42——虽比无检索推理的0.22大幅提升，但较完整SCOPE的0.60仍低18个百分点。这说明检索和推理技能负责在生成前解决“不知画什么”的问题，而修复技能负责解决“生成后发现画错”的问题，二者缺一不可、相辅相成。

八、系统局限与未来展望

研究团队也坦诚指出了SCOPE当前存在的两个主要局限性。

第一是效率与成本。SCOPE需要在每次生成任务中多次调用大型语言模型、图像生成引擎、验证器及可能的搜索引擎，最多进行三轮迭代。与直接输入描述、一次出图的方式相比，SCOPE的时间成本和计算开销显著更高。这在追求实时响应的应用场景中是一个实际障碍。研究团队提出，未来可通过更智能的“早停”策略或更有选择性的技能调用来降低开销，但这仍是待探索的课题。

第二是验证器的可靠性。SCOPE系统的修复逻辑高度依赖验证器的判断：验证器判定某个实体或约束失败，系统才会发起修复；验证器判定通过，系统则视为无误。但验证器本身并非完美——它可能将正确的元素误判为失败（假阴性），触发不必要的修复；也可能将错误的元素误判为通过（假阳性），导致问题被忽略。验证器的精度直接决定了整个修复机制的有效性，这是一个亟需改进的关键环节。

总而言之，SCOPE的成就可概括为：它使AI在生成复杂图像时，不再仅仅是“尽力理解输入”，而是能够“从头至尾牢记并核对每一项承诺”。通过建立动态承诺档案、设计精准匹配问题类型的三种技能、搭配严格的逐项验证机制，SCOPE为那些因复杂度高而易“跑偏”的图像生成任务，提供了一条更可靠的解决路径。

EGIP从0.21跃升至0.60，背后并非魔法，而是一套系统性地减少“信息在传递过程中丢失或漂移”的工程方案。当然，更高的准确率以更高的计算成本为代价，且验证器自身的局限提醒我们，这条道路仍有很长的路要走。但方向是明确的：对于那些真正需要“所有细节均正确”才算成功的复杂图像生成需求，单纯依赖生成模型的“理解力”和“随机性”已不够，需要更明确的流程管理与承诺追踪机制介入。

Q&A

Q1：SCOPE与普通AI图像生成有何本质区别？

普通AI图像生成本质是“一次性将文本翻译为图像”，缺乏系统化追踪用户要求是否被满足的机制。SCOPE的核心区别在于引入了“动态承诺档案”，将用户所有具体要求分解为可追踪的条目，并在整个生成流程（包括检索、生成、验证、修复）的每个环节都基于此档案操作，确保每个条目的状态始终可识别、可管理。

Q2：为何EGIP评测标准下所有基线模型得分都极低？

EGIP采用“全部通过方算通过”的严格逻辑。只要图像中有一个必须出现的实体缺席或错误，整个实例即判定为失败，无论其他部分表现多好。这一标准揭示了一个现实：多数模型生成单个元素的能力尚可，但在同一图像中同时满足所有实体和所有约束，成功率极低。

Q3：Gen-Arena基准测试集覆盖哪些类型的图像生成任务？

Gen-Arena包含300个人工标注的测试实例，涵盖六个类别：卡通、游戏、体育、娱乐、竞技和典礼。每个实例均配有自然语言提示词和结构化评测规范，整个数据集共包含1954个实体和2533条约束，其中310个实例附有参考图片，用于需要精确匹配真实IP角色外观的任务。

热门推荐