文生圖進入Agent時代：港中文聯合伯克利開源Gen-Searcher

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

一旦 prompt 涉及真實世界知識、最新信息、冷門事實，或者需要跨多個來源核對細節，傳統文生圖模型就很容易翻車。

因為生成模型缺乏面向真實世界的 Agent 能力，仍然依賴固化的參數知識，缺少主動搜索、驗證和整合外部信息的能力。

最近，來自香港中文大學 MMLab、UC Berkeley 和 UCLA 的研究團隊提出了 Gen-Searcher，首次嘗試為圖像生成任務訓練一個 “深度搜索” 智能體。它讓圖像生成模型能夠像 Agent 一樣進行搜索、推理、找圖和瀏覽網頁，從而輸出真正可靠的生成結果。所有數據，模型，和代碼，均已開源。

• 論文標題：Gen-Searcher: Reinforcing Agentic Search for Image Generation
• 論文地址：https://arxiv.org/pdf/2603.28767
• 項目主頁：https://gen-searcher.vercel.app/

現實需求：從 “直接生成” 到 Agentic 生成

現實世界中的圖像生成任務，往往不只是 “按 prompt 作畫”。很多場景會涉及真實世界知識、最新信息、冷門事實，甚至需要跨多個來源核對細節。模型不僅要會生成，還要先判斷哪些信息需要確認、哪些視覺細節需要參考、哪些內容必須依賴外部知識支撐。

在這種背景下，傳統文生圖模型有兩個核心問題：一是主要依賴預訓練學到的參數知識，缺乏主動搜索、驗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、整理證據的過程，因此在真實場景里很容易 “畫得像，卻畫不對”

為了解決這個問題，研究團隊提出了 Gen-Searcher，希望把文生圖從 “直接生成” 推進到 Agentic 生成

數據構建與 KnowGen 基準

為了訓練這種能力，作者先構造了一批真實世界需要搜索才能完成的生成數據，覆蓋名人、動漫、物理、化學、藝術、建筑、新聞等約 20 個類別。

隨后，作者讓強模型配合搜索工具生成多輪軌跡，收集文本知識和視覺證據，再用 Nano Banana Pro 合成目標圖像，得到約 30k 條原始樣本。經過 Seed1.8 篩選后，最終保留約 17k 條高質量數據，并整理成 Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k。

在此基礎上，作者還提出了新的 benchmark —— KnowGen。它包含 630 條人工驗證樣本，用于圖像生成 Agent 評測。

模型訓練

Gen-Searcher 的核心，是把生成前的信息獲取過程做成一個可訓練的 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搜索、搜什么、是否瀏覽網頁、是否補充視覺參考，最后輸出準確的 prompt 和參考圖。

它配備了三類工具：文本搜索、圖像搜索和網頁瀏覽。訓練上則分兩階段進行：先通過 SFT 訓練學會工具使用，再通過 agentic RL 優化搜索策略和長程決策。

論文還提出了雙獎勵反饋。因為只看最終圖像效果并不穩定，作者額外加入了一個文本獎勵，用來評估輸出的 prompt 是否已經包含足夠、正確、與生成相關的信息，再與圖像獎勵結合起來共同訓練。這樣，模型不僅要 “畫得好”，也要 “搜得對”

實驗結果

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 測試基準上，模型同樣帶來了巨大的提升。

可視化分析表明，Gen-Searcher 能夠真正提高模型生圖的準確性和質量。

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

它不僅能 “畫”，還能 “查”；不僅能完成傳統的文本到圖像生成，更能在生成之前主動搜索信息、核對事實、整合證據，展現出面向真實世界復雜任務的生成能力。

在大模型不斷走向多模態、強推理與 Agent 化的趨勢下，Gen-Searcher 的工作或許只是一個起點，但它所驗證的方向，正在成為生成系統邁向 Agentic 時代的重要一步。