過(guò)去兩年，圖像生成模型在質(zhì)感和審美上一路狂飆，但大多仍是 “直接出圖” 的范式。

一旦 prompt 涉及真實(shí)世界知識(shí)、最新信息、冷門事實(shí)，或者需要跨多個(gè)來(lái)源核對(duì)細(xì)節(jié)，傳統(tǒng)文生圖模型就很容易翻車。

因?yàn)樯赡Ｐ腿狈γ嫦蛘鎸?shí)世界的 Agent 能力，仍然依賴固化的參數(shù)知識(shí)，缺少主動(dòng)搜索、驗(yàn)證和整合外部信息的能力。

最近，來(lái)自香港中文大學(xué) MMLab、UC Berkeley 和 UCLA 的研究團(tuán)隊(duì)提出了 Gen-Searcher，首次嘗試為圖像生成任務(wù)訓(xùn)練一個(gè) “深度搜索” 智能體。它讓圖像生成模型能夠像 Agent 一樣進(jìn)行搜索、推理、找圖和瀏覽網(wǎng)頁(yè)，從而輸出真正可靠的生成結(jié)果。所有數(shù)據(jù)，模型，和代碼，均已開源。

• 論文標(biāo)題：Gen-Searcher: Reinforcing Agentic Search for Image Generation
• 論文地址：https://arxiv.org/pdf/2603.28767
• 項(xiàng)目主頁(yè)：https://gen-searcher.vercel.app/

現(xiàn)實(shí)需求：從 “直接生成” 到 Agentic 生成

現(xiàn)實(shí)世界中的圖像生成任務(wù)，往往不只是 “按 prompt 作畫”。很多場(chǎng)景會(huì)涉及真實(shí)世界知識(shí)、最新信息、冷門事實(shí)，甚至需要跨多個(gè)來(lái)源核對(duì)細(xì)節(jié)。模型不僅要會(huì)生成，還要先判斷哪些信息需要確認(rèn)、哪些視覺細(xì)節(jié)需要參考、哪些內(nèi)容必須依賴外部知識(shí)支撐。

在這種背景下，傳統(tǒng)文生圖模型有兩個(gè)核心問(wèn)題：一是主要依賴預(yù)訓(xùn)練學(xué)到的參數(shù)知識(shí)，缺乏主動(dòng)搜索、驗(yàn)證和整合外部信息的能力；二是整體流程仍是 “輸入 prompt，直接出圖”，缺少像 Agent 那樣先搜索、推理、整理證據(jù)的過(guò)程，因此在真實(shí)場(chǎng)景里很容易 “畫得像，卻畫不對(duì)”

為了解決這個(gè)問(wèn)題，研究團(tuán)隊(duì)提出了 Gen-Searcher，希望把文生圖從 “直接生成” 推進(jìn)到 Agentic 生成

數(shù)據(jù)構(gòu)建與 KnowGen 基準(zhǔn)

為了訓(xùn)練這種能力，作者先構(gòu)造了一批真實(shí)世界需要搜索才能完成的生成數(shù)據(jù)，覆蓋名人、動(dòng)漫、物理、化學(xué)、藝術(shù)、建筑、新聞等約 20 個(gè)類別。

隨后，作者讓強(qiáng)模型配合搜索工具生成多輪軌跡，收集文本知識(shí)和視覺證據(jù)，再用 Nano Banana Pro 合成目標(biāo)圖像，得到約 30k 條原始樣本。經(jīng)過(guò) Seed1.8 篩選后，最終保留約 17k 條高質(zhì)量數(shù)據(jù)，并整理成 Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k。

在此基礎(chǔ)上，作者還提出了新的 benchmark —— KnowGen。它包含 630 條人工驗(yàn)證樣本，用于圖像生成 Agent 評(píng)測(cè)。

模型訓(xùn)練

Gen-Searcher 的核心，是把生成前的信息獲取過(guò)程做成一個(gè)可訓(xùn)練的 Agent。模型不再拿到 prompt 就直接生成，而是先在多輪交互中決定何時(shí)搜索、搜什么、是否瀏覽網(wǎng)頁(yè)、是否補(bǔ)充視覺參考，最后輸出準(zhǔn)確的 prompt 和參考圖。

它配備了三類工具：文本搜索、圖像搜索和網(wǎng)頁(yè)瀏覽。訓(xùn)練上則分兩階段進(jìn)行：先通過(guò) SFT 訓(xùn)練學(xué)會(huì)工具使用，再通過(guò) agentic RL 優(yōu)化搜索策略和長(zhǎng)程決策。

論文還提出了雙獎(jiǎng)勵(lì)反饋。因?yàn)橹豢醋罱K圖像效果并不穩(wěn)定，作者額外加入了一個(gè)文本獎(jiǎng)勵(lì)，用來(lái)評(píng)估輸出的 prompt 是否已經(jīng)包含足夠、正確、與生成相關(guān)的信息，再與圖像獎(jiǎng)勵(lì)結(jié)合起來(lái)共同訓(xùn)練。這樣，模型不僅要 “畫得好”，也要 “搜得對(duì)”

實(shí)驗(yàn)結(jié)果

在 KnowGen 上，原始 Qwen-Image 的 K-Score 為 14.98，接入 Gen-Searcher-8B 后提升到 31.52，提高 16.54 分。而且這種能力還能遷移到其他圖像生成器上：Seedream 4.5 從 31.01 提升到 47.29，Nano Banana Pro 也從 50.38 提升到 53.30。

在 WISE 測(cè)試基準(zhǔn)上，模型同樣帶來(lái)了巨大的提升。

可視化分析表明，Gen-Searcher 能夠真正提高模型生圖的準(zhǔn)確性和質(zhì)量。

Gen-Searcher 的推出，不僅展示了 Agentic 生成在知識(shí)密集型圖像生成任務(wù)上的潛力，也為構(gòu)建真正能夠連接搜索、推理與生成的一體化系統(tǒng)提供了清晰路徑。

它不僅能 “畫”，還能 “查”；不僅能完成傳統(tǒng)的文本到圖像生成，更能在生成之前主動(dòng)搜索信息、核對(duì)事實(shí)、整合證據(jù)，展現(xiàn)出面向真實(shí)世界復(fù)雜任務(wù)的生成能力。

在大模型不斷走向多模態(tài)、強(qiáng)推理與 Agent 化的趨勢(shì)下，Gen-Searcher 的工作或許只是一個(gè)起點(diǎn)，但它所驗(yàn)證的方向，正在成為生成系統(tǒng)邁向 Agentic 時(shí)代的重要一步。