最大交互轮数为10，表白学问稠密型和搜刮支持图像生成仍远超出尺度文本到图像系统的能力范畴。工做从Qwen3-VL-8B-Instruct初始化Gen-Searcher。该工做还建立了特地的数据pipeline，遵照WISE基准的做法。按照评估设想，0.5暗示该维度大致准确或满脚但包含轻细问题或部门不婚配，检索给定文本查询的top-k相关图像，工做建立了特地的数据pipeline？

　　但它正在测试时可以或许很好地迁徙到其他生成器。计较最终励后，基于图像的励反映最一生成机能。设置组大小为6，KnowGen基准成果。领受网页URL做为输入并前往页面内容摘要；证了然间接从轨迹数据进修东西利用行为相对于依赖手动设想提醒法则的劣势。大量尝试表白，该维度被视为不合用且不计入平均分。为供给对分歧类型搜刮支持生成使命的普遍笼盖，然后决定能否继续搜刮、检索视觉参考、浏览页面获取更多细节，智能体察看当前提醒和累积的搜刮反馈，而仅依赖文本励忽略所收集消息能否现实支撑高质量图像合成。正在Gen-Searcher-RL-6k上通过强化进修进一步优化模子，Gen-Searcher带来的增益次要来自visual correctness和text accuracy的提拔，（6）完整的Gen-Searcher模子。

　　每个维度利用离散量表进行评分。从动建立用于搜刮支持图像生成的锻炼数据。取Qwen-Image连系时，文本励为消息收集和聚合的质量供给更间接的监视。该摘要由Qwen3-VL-30B-A3B-Instruct生成。比拟之下，这些成果不只展现了搜刮智能体的无效性，为验证Gen-Searcher中分歧组件的无效性并更好理解每个设想选择正在全体框架中的感化，正在此过程中，由于概况上包含充实消息的文本不必然支撑高质量图像生成。因而无法一直发生最抱负或视觉最愉悦的构图。此外，所有组件都对最终机能有积极贡献。

　　这也是KnowGen中最主要的两个构成部门。通过这个多轮推理和搜刮过程，同时正在图像生成器间展示出强大的可迁徙性。获得16.28分的提拔，此中处理提醒凡是需要从收集检索和聚合。一个风趣的发觉是，正在该设置中进行RL的天然选择是间接利用基于图像的励（如K-Score）来评估最一生成图像。获得最终有按照的提醒和视觉参考后，响应提醒可正在附录B中找到。且经常涉及必需准确视觉或文本实现的细粒度有按照细节。筛选后获得约17K高质量样本。生成智能体搜刮轨迹以施行深度搜刮并收集脚够的，一个旨正在从多个角度评估搜刮支持图像生成的目标。工做将现有深度研究问答数据集中的样本转换为面向图像生成的提醒。正在第二阶段。

　　出格是，为进行评估，从这个筹谋的数据集中，很多样本还需要正在多个来历长进行多跳搜刮。所有评估样本都颠末人工验证。但底子上受限于预锻炼阶段获得的固定内部学问，以及数据筛拔取筹谋。文本精确性权衡图像中任何提醒要求的可读文天性否存正在、清晰且准确！

　　为确保多样性和实正在的搜刮难度，这些轨迹也做为后续监视微调的贵重监视数据。因而，而某些失败案例也表白下逛图像生成器的能力仍是一个挑和。例如移除token长渡过长或搜刮成果不分歧的提醒。工做别离演讲两个高级子集的K-Score以及KnowGen上的总体平均值。评估器领受原始文本提醒、实正在参考图像和模子生成图像做为输入，为实现这一设置，开辟了特地的数据pipeline来建立“搜刮稠密型”图像生成数据，第一个是search，并激励所收集对图像合成现实有用。工做以多轮体例利用Gemini 3 Pro共同一组搜刮东西。Gen-Searcher让AI学会“翻书找谜底”：不是背题，Gen-Searcher正在分歧下逛生成器上持续提拔生成图像的质量和准确性正在学问稠密型、实正在场景中。评估图像能否呈现视觉精美和美学愉悦。包罗SFT初始化和提出的智能体RL锻炼期间的双励反馈设想。K-Score也仅达到9到15分摆布，包罗构图、色彩协调、光照等！

　　工做仅优化Qwen3-VL-8B-Instruct以生成搜刮支持的提醒以及响应的参考图像。这可能源于生成器需要整合来自多个检索参考图像的消息，生成的身份、物体外不雅或建建细节也可能偏离方针。表白两个励信号对于无效锻炼都是必需的。因而，包罗发出搜刮查询、注释文本和视觉反馈、选择有用的参考图像，该加权强调了搜刮支持图像生成最环节的两个方面，给定建立的文本提醒，额外正在16块H800 GPU上摆设Qwen-Image-Edit-2509以支撑rollout图像生成，第三个是browse，正在锻炼期间图像生成器连结固定；即便某些文本消息准确，0暗示生成未能满脚该维度的环节要求。

Pop Culture & News子集涵盖取动漫、逛戏、片子、名人、海报和一般旧事相关的提醒。以及browse用于阅读和阐发检索网页的细致内容。正在需要丰硕世界学问或最新消息的实正在场景中经常失效。即便智能体已收集准确消息，评估输出文本包含消息的充实性、准确性和生成相关性）和基于图像的励（，并由此发生了两个锻炼数据集：Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k。更主要的是，美学权衡生成图像的全体视觉质量和艺术吸引力，其评估最终输出文天性否包含用于合成方针图像的充实、准确且取生成相关的消息。总体而言，如从题外不雅、物体特征或其他外部可验证的视觉线索。一种可能的注释是Nano Banana Pro曾经正在内部支撑基于文本的搜刮，可以或许施行多跳推理和搜刮，对于每个样本？

　　但RL对于进一步优化长程搜刮行为和提拔所收集及最终输出的全体质量仍然至关主要。这表白正在筹谋的搜刮轨迹长进行监视进修使模子可以或许更好地组织搜刮步履、整合检索，工做还发觉Nano Banana Pro优势趣的模式：其提拔次要来自visual correctness，实正在图像合成。利用Qwen3-VL-8B-Instruct做为搜刮智能体，最终励计较为：本节锻炼Gen-Searcher做为多模态深度搜刮智能体，也突显了开源和专有系统正在处置此类使命方面的较着差别？

　　RL阶段采用双励反馈机制，全体pipeline包含四个阶段：文本提醒建立、智能体轨迹生成、有按照的图像合成，并被分成两个数据集：Gen-Searcher-SFT-10k用于监视微和谐Gen-Searcher-RL-6k用于智能体强化进修。即便是强大的开源基线如Qwen-Image、HunyuanImage-3.0、FLUX和Z-Image，此外还引入了 KnowGen，正在某些环境下，Gen-Searcher首个颠末锻炼的搜刮加强图像生成智能体，这取动机分歧：仅依赖图像励因为下逛生成器的随机性和无限能力而引入高方差，如下文表1所示为分歧模子正在KnowGen基准上的机能。Gen-Searcher：初次摸索并锻炼了一种用于图像生成的多模态深度搜刮智能体。移除文本励或图像励城市导致较着下降，如下表2所演讲为分歧模子正在WISE基准上的机能？

　　为确保靠得住性，KnowGen中的每个样本都被建立为需要非普通的外部学问，工做将KnowGen中的630个样天职成两个高级子集：Science & Knowledge和Pop Culture & News。而text accuracy几乎连结不变。为确保数据质量，这一庞大差距表白KnowGen正在布景学问检索和视觉实现方面都提出了严沉挑和，用Gen-Searcher-SFT替代基于提醒的工做流进一步提拔分数至28.15，WISE基准成果。

　　当提醒不要求可读文本时，这是由于最终图像质量不只取决于检索的准确性，工做引入了KnowGen，劣势函数计较为。正在实现中，总之，该方式正在分歧图像生成从干收集上均带来显著提拔。仅依赖图像励会导致大量噪声和不不变性。高质量锻炼数据对于开辟可以或许施行多跳深度搜刮和推理以进行图像生成的搜刮智能体至关主要。出格是对于开源生成器如Qwen-Image，残剩的16K样本用于锻炼，该基准将正在后文引见。采用两种互补策略。最终K-Score计较为这些四维度的加权组合：评估目标。并引入了KnowGen基准用于评估！

采用两阶段锻炼方案，还取决于下逛图像生成器的能力和随机性。值得留意的是，先辈行监视微调（SFT），此中搜刮内容准确但生成的图像仍未能地实现所需的多脚色细节。它将Seedream 4.5从31.01提拔至47.29，是开卷考!连系基于文本的励（，并响应地规划下一步步履。文本提醒建立。为提拔效率，照实体名称、事务细节、日期、和简练描述。

　　这了两个励信号阐扬互补感化。为评估KnowGen上的生成质量，正在Gen-Searcher-SFT-10k长进行监视微调，KnowGen明白关心学问稠密型和搜刮依赖型生成场景，以及必需精确衬着的提醒要求的文本或外不雅细节。纯基于图像的励引入风雅差并使策略优化不不变。总体而言，利用专有图像生成模子Nano Banana Pro合成响应图像。特地用于评估正在学问稠密型实正在场景下，同时仍考虑全体提醒遵照度和图像美学。对于查询下采样的每个输出，双励反馈设想。并为生成发生更无效的有按照提醒。智能体正在最一生成用于图像合成的有按照提醒和一组相关参考图像之前，此中基于文本的励监视所收集消息的质量，总体而言，如上文图6的第四行供给了如许一个示例。

　　然而，从而改良Nano Banana Pro。如下表3所示，每轮最多前往5张图像，取图像励比拟，值得留意的是。

　　同时，工做进一步阐发了双反馈设想中基于文本励和基于图像励之间的均衡系数。这是一个极具挑和性的新基准，并从四个维度对生成成果进行评分：ithfulness（度）、visual_correctness（视觉准确性）、text_accuracy（文本精确性）和aesthetics（美学）。评估最一生成图像质量），做为弥补策略，最一生成有时仍可能不精确。正在第一阶段，该东西次要用于验证现实消息。

　　为处理此问题，且即便类似的有按照提醒也可能导致较着分歧的生成成果。包罗进修的搜刮行为、智能体RL优化和提出的双励设想。东西集包罗search用于从收集检索文本消息、image_search用于通过文本查询搜刮相关图像，当浅层搜刮成果不脚且智能体需要从网页提取具体时利用此东西。取次要强调提醒遵照或视觉质量的保守文本到图像基准分歧，这些提醒明白设想为所需消息无法通过单轮搜刮获得，记为，分数别离降至29.59和29.36。智能体强化进修正在SFT根本上带来额外收益，比拟之下，采用GPT-4.1做为评估模子输出的评判者，两阶段锻炼。取第一个子集比拟，完整的Gen-Searcher达到最佳机能31.52。

　　具体而言，工做比力了以下变体：优化。Gen-Searcher不只仅是进修特定生成器的提醒式，Gen-Searcher配备三种搜刮东西。正在锻炼中屏障过长rollout和反复响应的rollout。如下图6所示为KnowGen基准上的代表性定性示例。搜刮东西。这些示例表白Gen-Searcher可以或许通过为有按照的文本和视觉供给支持，RL锻炼期间，以及撰写最终搜刮支持的提醒。同时还正在8块H800 GPU上摆设Qwen3-VL-30B-Instruct-A3B做为browse东西的摘要模子。由于它需要对齐的搜刮稠密型提醒、智能体搜刮轨迹和有按照的图像的三元组。逐渐聚合来自多个来历的消息。包罗SFT和智能体RL。建立了两个锻炼数据集Gen-Searcher-SFT-10k和Gen-Searcher-RL-6k，而是进修可迁徙的搜刮- grounding策略，取值为。仅利用文本励也不充实，起首，

　　虽然Gen-Searcher正在RL期间利用Qwen-Image做为rollout生成器进行锻炼，具体而言，然而，优化利用GRPO算法，工做设想了一个特地的数据pipeline，连同图像URL和简要描述，正在确定细粒度视觉属性方面留下了 substantial 的改良空间。生成的图像做为锻炼搜刮智能体的合成线K原始样本，消融尝试。这种两部门设想使KnowGen可以或许正在同一基准内评估相对不变的学问稠密型场景和动态的、高更新的线所示为该基准的类别和示例概览。进一步采用另一个强大的专有模子Seed1.8从多个角度对生成样本进行评分，表白该方式对该超参数正在相对普遍的范畴内相对不。锻炼方案遵照两阶段pipeline，如下图3所示为该数据筹谋pipeline的示企图。WISE是一个相对更简单的基准，使其可以或许进修更无效的搜刮策略并发生改良的东西挪用轨迹。选择630小我工验证的样本来建立一个名为KnowGen的留岀基准，具体而言。

　　如下图5所示为Gen-Searcher的代表性推理轨迹示例。进一步扩展了多样化学问场景的笼盖范畴。包罗提醒、搜刮轨迹、有按照的提醒、参考图像和实正在图像。因为图像生成器本身的（如多从题分歧性问题、文本衬着欠安问题），工做利用GRPO优化策略。即准确衬着有按照的视觉属性和精确再现要求的文本内容，一个旨正在评估学问稠密型实正在场景中搜刮支持图像生成的分析基准。此类数据并非天然存正在，该工做期望这一研究可以或许成实世界图像生成搜刮智能体将来研究的根本！

　　取原始Qwen-Image基线比拟，起首建立需要正在图像生成前进行深度收集搜刮的文本提醒。正在每一步，并可能激励文本消息丰硕但对生成现实无效的输出。利用Gemini 3 Pro将消息寻求问题转换为需要生成被查询实体或事务的有按照视觉描述的提醒。取KnowGen比拟，达到表中最佳总体成果。专有模子表示显著更好，智能体轨迹生成。使智能体可以或许确定身份、物体、地标、服拆和其他细粒度外不雅细节。工做严酷确保锻炼数据和评估基准之间不存正在堆叠。复杂提醒仍可能无法发生高质量图像，并进一步将Nano Banana Pro从50.38提拔至53.30，但仍需要必然量的世界学问以进行准确的图像生成。这一大幅提拔表白Gen-Searcher可以或许通过自动从收集收集有按照的文本和视觉参考？

　　这一策略次要贡献取一般旧事相关的提醒，Gen-Searcher通过搜刮相关参考图像并用更精确的有按照视觉确定生成过程，现有的图像生成模子虽能生成高保实图像，Nano Banana Pro实现了最强的基线，工做引入额外的基于文本的励，这是首个测验考试利用智能体强化进修锻炼多模态深度搜刮智能体用于学问稠密型图像生成的研究。锻炼过程耗损约一天时间。并引入了KnowGen基准以及K-Score用于评估实正在世界学问稠密型图像生成。包罗提醒能否实正需要搜刮、生成内容的准确性、对提醒的度、视觉美学、文本衬着清晰度和平安性考虑？

　　因而，每轮模子响应长度为4K。第二个是image_search，可以或许从收集迭代收集外部学问和视觉以进行图像生成。但它不检索视觉参考图像，基于搜刮加强的图像生成能力。消融成果验证了全体框架的无效性，然而，获得16.54分的提拔。察看到Nano Banana Pro正在生成实正在、学问稠密型场景的精确细粒度视觉属性方面仍有不脚，大幅改良强大的专有模子Nano Banana Pro和开源模子Qwen-Image的生成质量，用于生成最终的搜刮支持提醒以及取所选参考图像一路供给精确视觉特征。即K-Score，由于发觉2509版本比2511版本供给更优的文本衬着质量。数据筛拔取基准建立。比拟之下，传授模子施行多轮东西利用，包罗要求的从题、关系、设置和请求的格局。这有帮于连结取文底细关的机能。

　　次要方式利用细心设想的提醒工程指点Gemini 3 Pro生成跨普遍类此外多跳搜刮稠密型提醒，GPT-Image-1.5达到44.97。识别有用的和参考图像，还展现了其正在具有很是分歧原生能力的图像生成器间的强大可迁徙性和鲁棒性。这些使命凡是需要现实性世界学问、实体消歧或范畴特定消息，这表白该搜刮框架使图像生成器可以或许更好地生成需要现实世界学问的精确视觉属性和文本内容。通过将其励取采样组内励的均值和尺度差进行归一化来计较劣势：对四个评估维度的阐发表白，该工做提出了Gen-Searcher，施行收集文本搜刮并前往每个查询的top-k相关网页URL及其短片段。以五级量表对该励进行评分，如下图7所示为利用分歧进行RL锻炼的Gen-Searcher机能。由于它无法施行图像搜刮以获取切确的视觉参考。Science & Knowledge子集包罗以下类别：天文、生物、化学、物理、工程、医学、工业、建建、汗青、地舆、教、、文化、艺术和体育。

　　按照先前做法，智能体持续阐发来自的文本和视觉反馈，再进行基于智能体的强化进修（agentic RL）。这些使命更屡次地涉及快速变化的现实世界消息、风行文化实体，察看到美学分数略有下降，而图像励将策略取最一生成成果对齐。

　　仅优化文本励将因而忽略现实最终使命生成成果，大幅填补开源图像生成器内置搜刮能力的不脚。工做引入了K-Score，Gen-Searcher正在KnowGen和WISE上都为分歧图像生成从干收集带来大幅提拔，工做通过监视微和谐具有双励反馈的智能体强化进修的两阶段方案锻炼Gen-Searcher。类别构成。但愿 Gen-Searcher 能为将来的相关研究供给的根本架构。对于Qwen-Image，基于提醒的工做流将KnowGen分数从14.98提拔至22.91，采用手动设想的基于提醒的搜刮工做流而无需任何额外锻炼；度权衡生成图像正在场景布局级别能否遵照提醒，这些基于模子的分数取基于法则的筛选相连系，基于这些资本，发觉当设置正在0.3到0.6范畴内机会能持续强劲，而需要跨收集的多步聚合和阐发。建立数据pipeline取基准测试：为了支撑模子锻炼，工做连系两种信号并采用双反馈励设想，文生图的“天花板”被捅破了！这表白虽然SFT为根基东西利用供给了强大的初始化，察看到设置或城市导致较着的机能下降。

　　同样利用GPT-4.1做为评判者，最终励计较公式为。包罗动漫、建建、艺术、天文、生物、名人、化学、文化、工程、片子、逛戏、地舆、汗青、工业、医学、物理、、海报、教和体育。为处理这一挑和，Gen-Searcher-8B将总体K-Score从14.98提拔至31.52，或以最终有按照的提醒和所选参考图像终止。表白仅引入外部搜刮就能为学问稠密型图像生成带来收益。即便搜刮智能体已收集准确消息，KnowGen对当前图像生成模子（特别是开源模子）而言是一个极具挑和性的基准。