SCOPE：通过结构化分解与条件式技能编排实现复杂图像生成 SCOPE: Structured Decomposition and Conditional Skill Orchestration for Complex Image Generation
用结构化规约贯穿生成流程，按承诺状态条件调用检索/推理/修复，解决图像生成的概念鸿沟。
前置知识
Semantic Commitments（语义承诺）
指用户提示中图像必须满足的语义条件，按粒度拆为实体（需要出现的人物/物体/场景）、约束（属性/关系/布局）和未知（待外部证据或推理补全）。每条承诺都是可验证、可定位的最小语义单元，例如"Nouran Gohar 双手举银杯"。
SCOPE 的核心抽象是把承诺当作贯穿生成生命周期的统一单位；没有这种结构化拆解，就无法理解为何传统 agent 在多步操作后会出现承诺丢失、错误归因、修复错位的问题。
Conceptual Rift（概念鸿沟）
本文提出的诊断概念，描述承诺在 grounding、generation、verification 多个阶段中虽被局部处理过，却不再作为同一可识别单元保持连续性的现象。检索结果、验证判定、修复目标可能指向不同承诺，造成生成结果稀释、错误归因错位。
这是 SCOPE 立论的核心——已有 agent 框架做了检索/规划/反思，但因中间表示与单次干预绑定而无法跨阶段保持承诺同一性，理解概念鸿沟才能明白为何需要把承诺显式编码到规约里。
Structured Semantic Specification（结构化语义规约）
SCOPE 用三元组 $z = (E, C, U)$ 表示演化中的承诺规约：$E$ 是目标实体，$C$ 是属性/关系/布局约束，$U$ 是未决信息；每个未知都关联到 prompt/实体/约束层级的所有者。规约随检索/推理/验证/修复结果持续更新，但每条承诺保持稳定身份。
这是 SCOPE 与已有方法的本质差异点——把规约做成共享接口，让所有技能围绕同一组可识别承诺工作；没有这个接口，技能调用就退化为各自独立的局部干预。
Entity-Gated Intent Pass Rate（EGIP）
Gen-Arena 的实体门控通过率，$\mathrm{EGIP}=\frac{1}{N}\sum_i(\prod_e s_e^{(i)})(\prod_c s_c^{(i)})$，$s_e, s_c\in\{0,1\}$。任一实体缺失/错误整实例直接 FAIL；只有实体全通过才检查约束。
EGIP 是评测创新点——揭示了 holistic 评分看不到的级联失败：Nano Banana Pro 实体通过率 0.82 但 EGIP 只有 0.21，因为级联错误使大量实例被一票否决。
研究动机
现有文生图方法在复杂视觉意图上频繁失败，根因不是画得不够像，而是用户细粒度要求无法被一致兑现。以论文示例 prompt 为例："Nouran Gohar 站中央颁奖台、双手举银杯；Hania El Hammamy 站右侧面向她鼓掌；金奖牌挂在 Gohar 颈上；背景有观众、灯光、彩带"——含至少 5 实体、6 条相互耦合的原子约束，任何实体缺失或属性错误都会让整图判失败。Table 4 给出直接生成的现状：Nano Banana Pro 实体通过率 0.82 但 EGIP 仅 0.21；Qwen-Image 0.83/0.02；Z-Image-Turbo 0.84/0.01——绝大多数实例至少有一个错误实体把整图带崩。诊断：当前 agent 类工作（Mind-Brush、Reflect-DiT、World-to-Image、IA-T2I 等）虽引入检索、推理、反思等多步干预，但中间表示只服务于单次技能——同一承诺被检索解决、被验证检查、被反思修订，可操作的内部对象不再是同一承诺，造成生成目标稀释、错误归因错位、修复动作失准，这就是论文强调的 Conceptual Rift。
本文的目标是本文的具体目标是提出一个"承诺贯穿全流程"的生成框架，让每条用户需求从拆解到最终像素都能保持可识别、可验证、可操作的同一性。技术目标有三：第一，把提示显式拆成 $(E, C, U)$ 三元组规约并以它作为跨阶段共享接口；第二，对规约中尚未解决或已被违反的承诺，按需条件调用检索（缺外部证据时）、推理（隐含需求未定型时）、修复（生成已偏离时）三类技能；第三，构造一个新的评测基准 Gen-Arena（300 实例、1954 实体、2533 约束、310 参考图）和严格的 EGIP 指标，把"承诺级"评估落地到产业可用水平。最终希望在 Gen-Arena 上把 EGIP 从基线 0.21 提到 0.60，并在 WISE-V、MindBench 等外部基准上同时取得领先。
与已有工作不同的是，本文的独特切入角度是把"中间表示"从"为单次干预服务"改为"为承诺持续服务"。已有工作大致分三类改进路径：强化用户请求理解（T2I-Copilot、GenPilot、PromptSculptor、VisualPrompter）、引入检索/事实证据（World-to-Image、Gen-Searcher、Mind-Brush、IA-T2I、Unify-Agent）、加反思/反馈（Reflect-DiT、Interleaving Reasoning、CReA、Iterative Refinement、Self-refine）。这些方法各自证明了多步介入的价值，但作者通过概念鸿沟这把手术刀诊断出它们的共同病灶：中间表示与单次干预强绑定，无法跨阶段保持承诺同一性。SCOPE 的解药是把规约 $z=(E,C,U)$ 做成跨阶段不变的共享接口，并在每条承诺上挂一个明确的"所有者"，让检索证据、推理结果、验证判定、修复目标都能写回同一个条目、再被下一阶段准确读出。这与 XSkill/GEMS 等技能库工作形成互补：SCOPE 不去构建技能本身，而是把技能如何围绕承诺调用做出可推理的设计。
核心方法
SCOPE 的整体思路可以一句话概括：把用户提示变成一张持续演化的"承诺账本"，让生成、验证和技能调用都围绕账本里的同一批条目展开。直觉上，作者把图像生成看作一场分阶段履约：先用 Decomposer 把 prompt 拆成规约 $z_0=(E_0,C_0,U_0)$，再用 Synthesizer 把规约压成可用的生成提示 $s_t$，让 Generator 出图 $y_t$，让 Verifier 逐条判定 $R_t=\{r_i^{(t)}\}_{i\in I}$；规约里只要还有未解决承诺或失败判定，就条件触发检索、推理、修复技能，并把结果写回同一规约。技术路线是 Decomposer→Synthesizer→Generator→Verifier 的核心循环，外加三类技能的条件调用：检索用于补外部事实/参考身份，推理用于补隐含前提，修复用于修订已被违反的承诺。最大生成尝试次数为 3，每次失败按"未决 vs 已违反"分流到不同技能。
核心创新点是"把规约作为共享接口，让所有技能围绕承诺而非任务来调度"。与已有 agent 框架的本质区别在于：Mind-Brush、Reflect-DiT 等方法把检索/推理/反思当作固定流水线，每步只关心"我这一步要做什么"；SCOPE 则把每条承诺当作一个独立的工作单元，技能是否调用、调用哪个、写回到哪条承诺，全部由当前规约的承诺状态（未决、已通过、已违反）决定。第二个关键差异是承诺粒度——约束被进一步分为属性约束（身份、外观、数量、可见文字）、关系约束（实体间交互/语义关系）、布局约束（位置与场景环境），并显式链接到所属实体，从而支持 EGIP 这种"实体先决、约束门控"的级联评测。第三个差异是把承诺的所有者信息（prompt 层级/实体层级/约束层级）写进规约，让检索和推理的产出能精确更新对应的承诺条目，又让验证失败能被反向定位到同一批承诺条目上。
方法步骤详情
完整算法见 Algorithm 1 共七步。第一步 DECOMPOSE：把提示 p 拆为初始规约 z0=(E0, C0, U0)，E0 列实体，C0 按属性/关系/布局标注约束并链接实体，U0 收集未知并标注所有者。第二步循环 t=1..T（T=3）：zt ← z(t-1)。第三步遍历未解决 u∈Ut：需外部证据则 RETRIEVE(u)，否则 REASON(u, zt)，再 UPDATESPEC 回写。第四步 SYNTHESIZEPROMPT(zt) 生成提示 st。第五步 GENERATE(st) 出图 yt。第六步 VERIFY(yt, zt) 对 I=E∪C 逐条判定 Rt={(vi(t), reasoni)}；全 pass 则提前返回。第七步 MAPFAILURES+分流：暴露新未决则 ADDUNKNOWN 回到第三步；否则 REPAIR(zt, i, yt) 按失败范围在 prompt rewriting / local edit / regeneration 中选择，结果写回规约再进入下一轮。
技术新颖性
技术新颖性体现在四个层面。其一，把"Conceptual Rift"形式化为承诺生命周期不连续问题，并把解药落实到一张带所有权的演化规约上——这是已有 agent 论文中没有显式建模的。其二，技能从"固定流水线步骤"升级为"按承诺状态的条件调用"：检索、推理、修复三技能按 $\text{Unresolved}(u)$ 与 $\text{Violated}(i)$ 两类条件各自路由，每次调用都把结果写回同一条承诺，实现承诺级闭环。其三，引入三类约束细粒度切分（属性/关系/布局）并显式链接到所属实体，使 EGIP 这种"实体先决"的级联评测成为可能——Table 4 揭示 Nano Banana Pro 实体通过率 0.82 但 EGIP 仅 0.21 的断崖。其四，提出 Gen-Arena 基准：300 实例、1954 实体、2533 约束、310 参考图，覆盖六类场景，配套 Gemini 3-Pro 作为官方 evaluator，要求有参考图的实体"对照参考而非仅凭文字"判定。
实验结果
Gen-Arena（Table 1）显示 SCOPE 整体 EGIP 0.60，比 Nano Banana Pro 0.21 高 39pp；六子类 EGIP 0.46-0.74。所有开源基线 EGIP 几乎为零。外部基准（Table 2）：WISE-V WiScore 0.907 超 Nano Banana Pro 0.876 约 3.5%，六分项五个第一；MindBench 整体 0.61/Knowledge 0.59/Reasoning 0.63，相对 Nano Banana Pro 提升 48.8%。消融（Table 3）：Direct 0.21/best-of-3 0.40/Self-refine 0.39/SCOPE w/o R&R 0.22/SCOPE w/o repair 0.42/SCOPE 全量 0.60——无 R&R 退化为 Direct（-38pp），自由文本质反思无法替代带规约的修复（0.42→0.60）。诊断（Table 4）：SCOPE 实体 0.92、门控约束 0.83、EGIP 0.60，真正贡献是把承诺贯穿从源头降低实体到约束的级联失败。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Gen-Arena 复杂图像生成 | EGIP（实体门控通过率） | 0.60（cartoon 0.52 / game 0.46 / sports 0.72 / entertainment 0.62 / competition 0.52 / ceremony 0.74） | Nano Banana Pro 0.21 / Qwen-Image 0.02 / Z-Image-Turbo 0.01 / FLUX.1-dev 0.01 / SD-3.5-large 0.00 | 比 Nano Banana Pro 提升 39 个百分点；所有开源基线 EGIP≈0 |
| WISE-V 知识密集图像生成 | WiScore（整体） | 0.907（Culture 0.883 / Time 1.000 / Space 0.944 / Biology 0.861 / Physics 0.889 / Chemistry 0.917） | Nano Banana Pro 0.876 / GPT-Image-1.5 0.825 / Qwen-Image 0.510 / Z-Image 0.453 | 比 Nano Banana Pro 整体 +3.5%，并在六个分项中五个第一 |
| MindBench 推理密集图像生成 | Overall Accuracy | Knowledge 0.59 / Reasoning 0.63 / Overall 0.61 | Nano Banana Pro 0.40/0.44/0.41；GPT-Image-1.5 0.22/0.18/0.21；Mind-Brush 0.38/0.24/0.31 | Overall 比 Nano Banana Pro 提升 48.8%，比 Mind-Brush 提升约 97% |
| Gen-Arena 消融（实体级贡献分解） | EGIP | SCOPE 全量 0.60 / SCOPE w/o repair 0.42 | Direct (single) 0.21 / Direct (best-of-3) 0.40 / Self-refine w/o spec 0.39 / SCOPE w/o R&R 0.22 | 完整 SCOPE 相对 Self-refine w/o spec 提升 21pp；去掉 R&R 退化到 Direct 水平（-38pp） |
| Gen-Arena 诊断：实体/约束通过率 | Entity Pass / Gated Constraint Pass | Entity Pass 0.92 / Gated Constraint Pass 0.83 | Nano Banana Pro 0.82/0.59；Qwen-Image 0.83/0.49；Z-Image-Turbo 0.84/0.48 | 实体通过率 +10pp，门控约束通过率 +24pp |
局限与改进
作者承认的局限有两点。其一，计算与时延成本：每个实例最多 3 次完整循环，每次循环调用 Decomposer + Synthesizer + Generator + Verifier，必要时还触发检索和推理，相对 one-shot 生成显著增加延迟和 token 消耗；缓解路径指向"自适应早停 + 更精细的技能选择"。其二，验证器依赖：所有修复都由 Verifier 判定结果驱动，误报/漏报会沿生命周期传播——假阴性触发对已正确承诺的不必要修复，假阳性让真正失败被放过。我自己的观察还有四点：(1) 评测环节使用 Gemini 3-Pro 作为官方 evaluator，仍是黑盒模型，存在对自家生成风格偏好的潜在偏差；(2) 推理与检索的具体实现细节（prompt 模板、调用次数）论文未充分披露，复现时易出现 R&R 收益不对齐；(3) Self-refine w/o spec 用 3 次生成预算 EGIP 仅 0.39，但论文未对比"加入强约束但不带承诺追踪"的中间方案；(4) 失败案例主要来自 entity-gate 一票否决，但论文未对失败实体类型分布做统计。
独立分析的弱点
独立分析至少有四个明显可改进的弱点。其一是 Verifier 单点故障：Algorithm 1 整条修复路径完全依赖 Verifier 输出，Table 4 表明 Nano Banana Pro 实体通过率 0.82 与门控约束通过率 0.59 之间存在巨大鸿沟——一旦 Verifier 漏报某条约束，整张图就会错误判 pass；改进方向是引入 ensemble verifier（Gemini + 专用判别器 + 人类抽检三阶段）并做置信度校准。其二是 R&R 资源不可见：检索调用 Google Search API、推理调用 GPT-5.4，论文未给出"R&R 在哪些类别承诺上贡献最大"的细粒度统计；改进方向是把检索缓存到本地向量库并对推理设计早停机制。其三，最长 3 次循环的硬上限是经验值，未给出不同 EGIP 阈值下的最优 budget 曲线；可引入自适应循环数或与 RL 训练的成本-质量权衡结合。其四，Decomposer 的拆解质量本身没有直接评测——若拆解阶段漏掉约束，后续所有技能都无法弥补。
未来方向
作者明确提出的方向有三条：(1) 自适应早停与更精细的技能选择，把每次循环都加上"继续循环的边际收益估计"；(2) 改进 Verifier 校准，让验证-修复闭环更鲁棒；(3) 引入更强的语义接地，让检索能直接产出图像参考而非文本证据。基于成果可延伸的方向更多：第一，把 $(E, C, U)$ 规约结构扩展到视频生成与多镜头叙事，使承诺在时间维度上仍可追踪；第二，与 RL/RLAIF 结合——把 EGIP 当作 reward，用 SCOPE 框架生成大量 (prompt, image, EGIP) 三元组微调生成后端，让模型内化承诺级履约能力；第三，把 Gen-Arena 协议开放为开源评测 SDK，让学术界能复用其 1954 实体 / 2533 约束的标注；第四，研究承诺间的耦合关系（如"举手 + 站在中央 + 双手举"是相互制约的），用图神经网络建模承诺拓扑；第五，把 SCOPE 框架迁移到图像编辑、视频续写、3D 生成等场景，验证"承诺级共享规约"这一抽象的通用性；第六，与人类反馈结合——让用户在循环中途编辑规约（增减实体/约束），研究"人机协同承诺管理"的可行性。
复现评估
复现难度中等偏高。论文同时依赖三类外部系统：MLLM 后端 GPT-5.4、图像生成后端 Nano Banana Pro、检索服务 Google Search API，其中 Google Search API 的结果会随时间漂移，是复现差异的主要来源。评测环节进一步引入 Gemini 3-Pro 作为 Gen-Arena 官方 evaluator，端到端复现需要至少 4 份 API key 与稳定的跨服务调用链。算法本身（Algorithm 1）的输入输出描述清晰，Decomposer/Synthesizer/Generator/Verifier 的角色与流程都已形式化，超参数仅"最大尝试数 T=3"与"Gen-Arena 类别分布"两项。硬件层面没有本地训练要求，主要成本是 API 费用。Gen-Arena 数据集包含 300 实例 / 1954 实体 / 2533 约束 / 310 参考图，参考图与提示词公开承诺了，但实体/约束标注的发布形式文中未明确披露。综合来看，核心方法可复现但完整 benchmark 复现依赖多项闭源 API，是"算法可重做、评测难一致"的典型情况。
论文图表