当AI画师学会"记住承诺":中国科大打造复杂图像生成新框架SCOPE

一项由中科大（MoE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。这项研究直指当前AI图像生成领域一个令人头疼的顽疾：当你的描述足够复杂时，AI画师总会“忘记”一些关键细节。

当AI画师忘记了自己答应画什么

想象一下，你雇了一位画师，提出了一个相当具体的要求：“帮我画一幅画：左边站一个机器人小偷，右边站一个小孩侦探，中间的玻璃展柜里放着一架宇宙飞船模型，背景墙上挂着一幅宇宙星云壁画，还有一个穿银色夹克的馆长举着一张金唱片。”

要求够复杂了吧？问题来了：画师一边构思一边动笔，画着画着，他忘记了机器人小偷要站在左边，忘记了金唱片要举在手里，甚至把宇宙飞船画成了火箭发射台。最终你拿到的作品，单看每个部分或许都不错，但与你最初的设想相比，简直是南辕北辙。

这正是当今主流AI图像生成系统面临的核心困境。你给它一段复杂的文本描述，它确实能生成一张看起来赏心悦目的图片，但那些被你明确要求的细节——谁在哪个位置、谁拿着什么、背景里该有什么——往往要么被遗漏，要么被画错，要么干脆被AI“创意发挥”掉了。

上述研究团队将这个问题研究透了，并提出了一套名为SCOPE的系统，专门来解决这个“AI画师记性差”的问题。下面，我们就顺着这支团队搭建的“生产流水线”，看看他们是如何让AI真正兑现每一个“视觉承诺”的。

一、被遗忘的“承诺”：问题究竟出在哪里

把复杂图像生成比作一个大型施工项目，或许更容易理解问题的根源。业主（用户）交给施工方（AI）一份详细的设计图纸，标明了每个房间的家具、墙壁颜色和门窗尺寸。然而，施工方动工后，每道工序的工人拿到的却是不同版本的图纸，甚至有些工人根本没图纸，全靠口口相传。结果可想而知：客厅的沙发颜色被改了，卧室的窗户尺寸搞错了。验收时业主发现，房子是盖起来了，但与最初的设计相去甚远。

研究团队将这种现象命名为“概念裂缝”。说得更直白些：在一次完整的图像生成过程中，用户最初提出的那些具体要求——哪些角色要出现、它们长什么样、彼此关系如何、各自在画面什么位置——这些要求在生成流程的不同阶段，并没有被当作统一的、可追踪的单元来对待。

前期检索到的信息没有被妥善记录，中期生成的图像与原始要求之间的偏差无人核对，后期发现问题想修改，却又不清楚问题究竟出在哪一个具体的要求上。每个环节似乎都做了点工作，但这些努力彼此割裂，就像施工现场各司其职却互不沟通的工人。

研究团队把这些“用户提出的、图像最终必须满足的具体要求”统称为语义承诺。这个词非常形象：承诺就是答应要做到的事，语义承诺就是那些被明确要求、必须在图像里兑现的视觉细节。问题的关键不在于AI不知道这些承诺的存在，而在于它在生成过程中，无法始终将这些承诺作为可识别、可追踪、可核对的独立单元来操作。

正因如此，即便AI系统在某个步骤查到了某个角色的外观，或在另一个步骤发现了图像中的错误，这些信息也未必能精准地作用到“修复那个具体被画错的承诺”上——因为缺少一份贯穿始终的“承诺档案”将它们串联起来。

二、SCOPE：给每个承诺建一份活的档案

SCOPE的核心思路，可以用高效的项目管理来类比。一个靠谱的项目经理会为每项工程要求建立清单，记录其当前状态——是已落实、待确认，还是需返工。所有工人都参照同一份清单作业，每完成或修改一个条目就更新状态。最终验收也对照清单逐条核查，而非凭感觉说“整体还不错”。

SCOPE就是为AI图像生成流程配备的这样一位“项目经理”。它把用户的复杂需求分解成一份结构化的语义规范，用一个三元组表示：目标实体（E）、可验证承诺（C）、未解决信息（U）。

目标实体就是图像里必须出现的“演员名单”，比如机器人小偷、小孩侦探、馆长等。可验证承诺是对这些实体提出的具体要求，进一步分为三类：属性约束（实体长什么样、数量多少）、关系约束（实体间的交互）以及布局约束（实体在画面中的位置）。未解决信息则记录那些“还没弄清楚”的疑问，比如用户提到了一个真实IP角色，但AI不确定其具体外观，就在这里标记“需要查询”。

关键在于，这份规范不是一次性生成后就固定不变的，而是一份活的档案。随着生成流程推进，它会不断被更新：查到了角色外观，就更新对应条目；发现某个实体位置画错了，就标记“已失败，待修复”；修复后，再更新状态。整个流程从头到尾共享同一份档案，任何环节的操作结果都写回其中，后续环节便能准确知晓每个承诺的当前状态。

这份活的档案，解决的正是“概念裂缝”的根本问题：它把原本可能在不同步骤里各自为战的操作，全部锚定在同一个可识别的语义单元上。

三、四步流水线：从描述到图像的完整工作链

有了这份活的档案，SCOPE还搭建了一条由四个“岗位”依次协作的核心流水线。

第一个岗位是分解器，负责将用户提交的文字描述转化为那份结构化的语义规范。它的工作是梳理出用户描述中所有显性和隐性的要求，并填入档案。

第二个岗位是综合器，任务是根据当前档案的状态，将其中已确定的信息整合成一段连贯、详细的描述，以便直接交给图像生成引擎使用。这好比将确认无误的施工图纸，汇总成清晰的施工任务书。

第三个岗位是生成器，负责真正生成或编辑图像。它接收任务书，产出图像。

第四个岗位是验证器，充当流水线中的“质检员”。它拿到生成的图像后，并非笼统评价，而是逐条核对档案中的每个实体和约束，给出“通过”、“失败”或“不确定”的判断，并附上原因。

这四个岗位形成一个闭环：如果验证全部通过，任务完成；如果有条目失败，流程则进入下一轮迭代，调动相应技能修复问题，再次经历综合、生成、验证的循环。整个流程最多运行三轮。

四、三种关键技能：查资料、推理、修图

仅有流水线还不够，因为有些问题流水线本身无法解决。为此，研究团队为SCOPE设计了三种可根据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里具体的待解决或已失败条目上，绝非无的放矢。

第一种是检索技能，对应“缺信息”的情况。当档案记录显示某个承诺依赖的外部证据尚未找到时（例如需要查询真实游戏角色的确切外观），检索技能便被激活，通过搜索引擎等工具获取资料，并将结果写回档案。

第二种是推理技能，对应“信息不明确”的情况。有时用户的描述隐含了某些要求，无需查外部资料，但需通过逻辑推断才能确定具体内容。推理技能负责厘清这类模糊或隐性的承诺。

第三种是修复技能，对应“已生成但验证失败”的情况。当验证器发现某个已被明确规定的承诺未在图像中满足时，修复技能登场。它并非简单地重新生成整张图，而是根据失败的具体性质，选择三种策略中最合适的一种：若任务书描述不准确，则重写任务书；若仅是图像局部瑕疵，则进行局部编辑；若问题范围太广或太根本，则整体重新生成。这种“哪里出问题修哪里”的精准策略，效率远高于无差别重做。

这三种技能的设计逻辑体现了SCOPE的核心哲学：每一次技能调用都有明确缘由，都对应档案中的一个具体问题条目，调用结果也会写回档案，供后续环节利用。技能不是随手可用的工具，而是被精确派遣处理特定承诺问题的专家。

五、Gen-Arena：怎么才算“真正兑现了承诺”

有了SCOPE系统，下一个问题便是：如何评价它的表现？研究团队发现，现有的AI图像生成评测标准存在一个根本缺陷——它们太“宽容”了。要么给图像整体打一个匹配度分数，要么给一堆独立检查项分别打分，却忽略了这些检查项之间的逻辑依存关系。

这好比在餐厅点菜，服务员端上的菜里有三道是你点的、两道不是你点的，厨师却以“总体满足度还不错”为由辩解。然而，缺席的那两道菜可能恰恰是宴席的主菜，没有它们，其他配菜再精彩也失去了意义。

为了建立一个能真实反映“承诺是否被兑现”的严格评测标准，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，覆盖卡通、游戏、体育、娱乐、竞技和典礼六个类别。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所有目标实体及针对它们的原子约束。整个数据集共包含1954个实体和2533条约束，并为310个需要精确匹配真实IP角色外观的实例提供了参考图片。

评测方法称为实体门控意图通过率。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都已正确呈现；只有当所有实体都通过检查，才进一步核查那些依赖于这些实体的具体约束是否被满足；最终，只有全部实体和全部约束都通过，该实例才算整体通过。任何一个实体缺席或画错，整个实例直接判为失败，不考虑其他部分做得多好。

这种“一票否决”的严格标准，正是为了对抗那种“整体上还凑合”的虚假成功感。研究团队认为，如果你要求画的是《侠盗猎车手》里的特定角色，而这个角色没出现或被替换，那么无论背景多美、构图多精彩，这张图都是失败的。

六、实验结果：数字说明了什么

SCOPE在Gen-Arena上的表现，让这个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，绝大多数直接生成型AI的得分接近于零。

具体来看：Janus-Pro-7B、SDXL、PixArt-Sigma的整体得分均为0.00，意味着在300个严格要求下，它们几乎从未完整兑现所有承诺；FLUX.1-dev得分为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，得分也只有0.21。换句话说，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。

相比之下，SCOPE的整体得分达到了0.60，是Nano Banana Pro的近三倍，比第二名高出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。这两个类别的任务通常涉及真实的人物身份识别、特定的赛事关系以及精确的场景构图，而这正是SCOPE通过检索和推理技能最能发挥优势的场景。

更细粒度的诊断数据揭示了更深层的问题。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，意味着它们大多数实体单独来看是画出来了的。但它们的整体得分却接近于零，这说明问题在于“单独看每个实体还行，但要所有实体和所有约束同时全部通过，就几乎不可能了”。这印证了“严格承诺兑现”这一目标的难度：单个元素的准确率高，并不等于整体满足度高。SCOPE将实体通过率提升到0.92，约束通过率提升到0.83，两者共同作用，才带来了0.60的整体高分。

在外部基准测试上，SCOPE同样表现出色。在测试世界知识密集型图像生成能力的WISE-V基准上，SCOPE获得了0.907的综合分，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只对特定评测有效，而是具有更广泛的通用价值。

七、消融实验：把每块积木抽掉，看哪个最关键

为了弄清SCOPE各个组件的贡献，研究团队进行了一系列消融实验，相当于把整套系统拆开，逐一关闭某些功能，观察效果变化。

将SCOPE简化为最原始的单次直接生成，得分为0.21。如果给它三次独立生成的机会并挑选最好的一次，得分提升到0.40——这说明多次尝试有价值，但提升幅度有限。用一种称为“自我改进”的方式替换SCOPE（同样有三次生成机会，但没有结构化的承诺档案，仅用自由形式的批评来重写描述），得分为0.39，甚至比“挑最好一次”的策略还低。这表明，没有结构化承诺档案作为支撑，即便有迭代修改的机会，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），得分暴跌至0.22，几乎与单次直接生成一样差。这有力地说明：光有结构化分解，而没有技能来填充那些“未解决信息”，承诺档案充其量是一份空白的待办清单，无法帮助生成更好的图像。若单独关闭修复技能（保留检索和推理），得分为0.42——比没有检索推理时高出一大截，但比完整SCOPE的0.60低了18个百分点。这说明检索和推理技能负责在生成前解决“我不知道该画什么”的问题，而修复技能负责解决“生成后发现画错了”的问题，两者缺一不可，相辅相成。

八、系统的边界：诚实面对不足

研究团队并未只谈成绩，他们也坦率指出了SCOPE目前存在的两个主要局限。

第一个局限是效率成本。SCOPE需要在每次生成任务中调用多次大型语言模型、图像生成引擎、验证器，并可能调用搜索引擎，最多运行三轮迭代。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要高得多。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，未来可以通过更智能的“早停”策略或更有选择性的技能调用来降低开销，但这仍是留给未来工作的课题。

第二个局限是验证器的可靠性。整个SCOPE系统的修复逻辑高度依赖验证器的判断：验证器说某个实体或约束失败了，系统才会去修复它；验证器说通过了，系统就认为没问题。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；也可能将画错的元素误判为通过（假阳性），导致真正的问题被忽略。验证器的精准度直接决定了整套修复机制的有效性，这是一个亟需进一步改进的薄弱环节。

归根结底，SCOPE的成就可以用一句话概括：它让AI在生成复杂图像时，不再仅仅是“努力把话听进去”，而是真正做到了“从头到尾记住并核对每一个承诺”。通过建立一份活的承诺档案、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为那些原本会因复杂度而“跑偏”的图像生成任务，提供了一条更可靠的完成路径。

得分从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，更高的准确率代价是更高的计算成本，而验证器自身的局限也提醒我们，这条路仍有很长的距离要走。但方向是清晰的：对于那些真正需要“所有细节都对”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“运气”已经不够了，需要更明确的流程管理和承诺追踪机制介入其中。

Q&A

Q1：SCOPE和普通的AI图像生成有什么本质区别？

A：普通AI图像生成是“一次性把话翻译成图”，缺乏系统性的机制来追踪用户要求是否被满足。SCOPE的核心区别在于引入了一份“活的承诺档案”，将用户的所有具体要求分解为可追踪的条目，并在整个生成流程（包括查资料、生成、核查、修复）的每个环节都参照这份档案进行操作，确保每个条目的状态始终可识别、可管理。

Q2：EGIP评测标准为什么对所有基线模型得分都极低？

A：EGIP采用“全部通过才算通过”的严格逻辑。一张图像中，只要有任何一个必须出现的实体缺席或画错，整个实例就直接判为失败，无论其他部分做得多好。这个标准揭示了一个现实：大多数模型生成单个元素的能力尚可，但在同一张图像中同时满足所有实体和所有约束，成功率极低。

Q3：Gen-Arena基准测试集覆盖了哪些类型的图像生成任务？

A：Gen-Arena包含300个人工标注的实例，涵盖六个类别：卡通、游戏、体育、娱乐、竞技和典礼。每个实例都配有自然语言提示词和结构化的评测规范。整个数据集共包含1954个实体和2533条约束，其中310个实例还附有参考图片，专门用于那些需要精确匹配真实IP角色外观的任务。