Gen-Searcher: Reinforcing Agentic Search for Image Generation

Paper: arXiv:2603.28767v2 Code: tulerfeng/Gen-Searcher Code reference: main @ e5078d31 (2026-04-07)

1. Motivation (研究动机)

1.1 当前图像生成模型的真实短板

这篇论文针对的不是普通 prompt following，而是“需要先查资料再生成”的知识密集型图像生成。现有闭源和开源文生图模型可以生成高清图像，但内部知识被冻结在训练语料时间点，无法可靠回答最新事件、细粒度人物、比赛、游戏版本、地理气象或特定文化符号。当 prompt 要求“准确的人物外观 + 正确文字 + 真实物体/场景 + 可验证事实”时，单纯把原始 prompt 喂给图像模型会同时暴露知识缺失和视觉参考缺失。传统 RAG/搜索增强主要服务文本回答；图像生成除了需要事实文本，还需要视觉参考图，例如人物脸、队服、奖杯、地标、菜单、标识和空间布局。因此，问题不是“把搜索结果拼到 prompt 里”这么简单，而是训练一个会决定何时搜索、搜什么、选哪张参考图、何时停止并交付 generation-ready prompt 的多轮 agent。

1.2 为什么这个问题值得做

第一，真实创作场景经常要求最新信息：赛事、明星、游戏版本、新闻地点、旅游天气、活动海报等都可能在模型训练之后才出现。第二，知识错误会直接体现在图像中：文字数字错、人物身份错、服饰错、标志错，比文本回答里的轻微幻觉更显眼。第三，如果 agent 能把外部证据组织成稳定的 grounded prompt 和 reference images，它可以作为上游模块增强多个下游图像生成器。第四，搜索策略本身可以通过 SFT 和 RL 学习，而不是依赖固定手写流程；这使 test-time search 成为可训练能力。第五，该方向把多模态 agent、搜索增强、RL post-training 和图像生成连接起来，是“Reasoning & Test-Time Scaling”在生成任务上的自然延伸。

1.3 论文想解决的具体目标

输入：一个搜索密集型图像生成 prompt，通常包含多个实体、事实、时间、地点、视觉属性或文字渲染要求。过程：模型多轮调用 search、image_search、browse，在文本证据和视觉证据之间迭代。输出：一个更完整的 gen_prompt，以及一组用 IMG_### 标识的 reference images。训练：先用轨迹数据 SFT 学基本工具使用，再用 agentic RL 优化长期搜索策略。评价：构建 KnowGen benchmark，用 K-Score 同时评价事实、视觉正确性、文字准确性、faithfulness 和 aesthetics。

1.4 与普通 search-augmented generation 的差别

文本 QA 的搜索结果通常只需要支持一个自然语言答案。图像生成的搜索结果必须同时支持画面构图、主体外观、局部细节、可读文字和下游生成器的参考图条件。文本证据不一定能转化为图像质量；反过来，视觉参考图也可能缺少事实说明。 Gen-Searcher 的核心动机就是把这两种证据在 agent 轨迹中合并，并用双奖励让它们都对最终图像有用。

Figure 1 解读：论文开篇用多个搜索密集型样例说明目标任务。共同点是 prompt 不是只描述风格，而是要求模型拿到外部世界知识后再生成，例如最新人物、文化物件、海报文字和地点细节。

2. Idea (核心思想)

2.1 一句话核心洞察

Gen-Searcher 的核心洞察是：图像生成的“外部知识”不应只作为检索文本追加到 prompt，而应由一个多模态 search agent 主动规划、验证、选择视觉引用，并把搜索轨迹训练成可迁移的 test-time policy。它把 image generation 之前的 research 过程显式建模为 agentic search：模型需要知道何时查事实、何时找参考图、何时浏览网页，以及何时停止。论文的新意不只是“加搜索”，而是围绕这个目标同时构造数据、benchmark、SFT/RL 训练方案和文本/图像双奖励。

2.2 关键创新

数据：自动构造搜索密集型 prompts、agentic trajectories 和 ground-truth synthesis images，得到约 17K 高质量样本。训练集：从中分出 Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k，分别用于 SFT 与 RL。 Benchmark：选取 630 个 human-verified 样本组成 KnowGen，覆盖 Science & Knowledge 与 Pop Culture & News。 Agent：基于 Qwen3-VL-8B-Instruct，学习 search、image_search、browse 的多轮 ReAct 式交互。奖励：把图像结果 K-Score 作为 $R_{image}$ ，再加入评估 final answer 是否足够支持生成的 $R_{text}$ 。迁移：虽然 RL rollout 主要用 Qwen-Image / Qwen-Image-Edit，但推理时可接 Seedream 4.5 与 Nano Banana Pro。

2.3 与既有方法的本质区别

与普通 Qwen-Image baseline 相比，Gen-Searcher 不直接从原始 prompt 生成，而是先搜索事实和参考图。与手写 workflow 相比，Gen-Searcher 通过 SFT 学轨迹分布，通过 RL 进一步优化何时搜索与如何整合证据。与单纯 image reward RL 相比，双奖励减少了下游生成器随机性带来的高方差。与只优化文本充分性的 agent 相比，图像奖励迫使搜索结果必须对真实合成图像有效。与内部带搜索能力的闭源图像系统相比，论文提供了开源数据、模型、代码和 benchmark，可复现地研究该问题。

3. Method (方法)

3.1 总体框架

整体系统由四个层次组成：数据构造、KnowGen benchmark、Gen-Searcher agent、两阶段训练。数据构造负责产生 search-intensive prompt、搜索轨迹和合成 ground truth。 KnowGen 负责把 held-out 样本整理成评估集，并定义 K-Score。 Gen-Searcher agent 负责 test-time multi-hop search，并输出 gen_prompt 与 reference_images。训练先用 SFT 建立工具使用能力，再用 GRPO 和双奖励优化搜索策略。

Figure 2 解读：图中对比了传统图像生成与 Gen-Searcher。传统模型只依赖 frozen knowledge，遇到需要外部世界信息的 prompt 容易错；Gen-Searcher 在生成前主动搜索文本和视觉参考，把 evidence 变成 grounded prompt 与 reference images。

3.2 数据构造流水线

Figure 3 解读：数据管线分四步：先构造需要搜索的文本 prompt；再生成 agentic search trajectory，得到 grounded prompt 和 reference images；随后用 Nano Banana Pro 合成 ground-truth images；最后用 Seed1.8 与规则过滤筛掉质量差或搜索不一致的样本。

第一步 Text Prompt Construction：论文用 Gemini 3 Pro 生成多跳搜索密集型 prompt。覆盖类别包括 Anime、Architecture、Art、Astronomy、Biology、Celebrities、Chemistry、Culture、Engineering、Film、Game、Geography、History、Industry、Medicine、Physics、Politics、Posters、Religion、Sports。这些 prompt 被设计为无法通过单次浅层搜索直接解决，需要组合多个证据。

论文还把已有 deep research QA 数据集转换成 image-generation-oriented prompts。第二步 Agentic Trajectory Generation：用 agent 生成多轮搜索轨迹，轨迹中包含 search query、image query、tool response、思考和最终 grounded output。轨迹目标不是回答问题，而是产生可供图像生成器使用的 prompt 和 reference image set。第三步 Ground-Truth Image Synthesis：使用 Nano Banana Pro 合成对应图像，作为训练与评估中的 synthesis ground truth。

第四步 Data Filtering and Curation：用 Seed1.8 从是否真的需要搜索、内容正确性、prompt faithfulness、视觉美观、文字清晰度和安全性等维度打分。规则过滤还会删除 token 太长或搜索结果不一致的样本。过滤后约得到 17K 高质量样本。其中 630 个 human-verified 样本作为 KnowGen benchmark。剩余约 16K 样本拆成 Gen-Searcher-SFT-10k 与 Gen-Searcher-RL-6k。论文强调训练集与 benchmark 无重叠，以避免 benchmark 泄漏。

3.3 KnowGen benchmark 与 K-Score

Figure 4a 解读：KnowGen 的 630 个样本被分为 Science & Knowledge 与 Pop Culture & News 两大子集。前者包含科学、医学、工程、地理等可验证知识；后者覆盖影视、游戏、名人、体育、政治和新闻等更动态的现实场景。

Figure 4b 解读：示例说明 KnowGen prompt 通常同时要求事实正确和视觉正确，例如对象、日期、地点、文字、服装或标志必须匹配外部证据。它不是单纯美观评测，而是搜索 grounding 评测。

KnowGen 与传统 T2I benchmark 的区别在于：它显式要求外部搜索和证据聚合。每个样本通常包含原始 prompt、ground-truth reference image 和用于 GPT judge 的评估输入。评价模型时，系统把原始 prompt、GT image、model-generated image 一起交给 GPT-4.1 judge。四个维度分别是 faithfulness、visual_correctness、text_accuracy、aesthetics。 Faithfulness：画面结构是否跟 prompt 一致，包括主体、关系、场景和格式。 Visual correctness：关键视觉属性是否符合参考图或可验证事实。 Text accuracy：图中必须出现的数字、名称、标牌和说明文字是否正确可读。 Aesthetics：整体视觉质量、构图、自然度和观感。每个维度使用 ${0, 0.5, 1}$ 离散分数。 K-Score 对 visual correctness 和 text accuracy 权重最高，因为这两个维度最直接对应 search-grounded generation 的目标。 $K-Score = 0.1 \cdot Faithfulness + 0.4 \cdot Visual Correctness + 0.4 \cdot Text Accuracy + 0.1 \cdot Aesthetics$ 这一定义很重要：如果一个模型图很好看但实体或文字错，K-Score 会明显惩罚；如果画面结构基本正确但关键事实不可验证，也会失分。

3.4 Agent 交互协议与搜索工具

Figure 5 解读：示例展示 agent 在同一任务中交替进行文本搜索和图像搜索。它先查温度、降雨概率等事实，再检索 Easter Island、Oymyakon、Salar de Uyuni 等视觉参考，最后输出包含 gen_prompt 和 reference_images 的 JSON。

Gen-Searcher 使用 ReAct 风格输出：每轮必须先 <think>...</think>，再二选一输出 <tool_call>...</tool_call> 或 <answer>...</answer>。search 工具返回网页文本搜索结果，主要用于实体、事件、日期、地点和事实描述。image_search 工具返回图像结果、URL、本地路径、标题和页面 URL，主要用于人物、物体、地标、服装和场景外观。browse 工具读取网页并摘要，在搜索摘要不足或需要深入网页证据时使用。代码实现中 create_gen_image_tools() 返回的字典 key 是 image_search、search、browse；

agent 的 custom_call_tool() 按字典 key 调用工具。JinaBrowseTool 类内部 name="visit"，但实际工具分发依赖外层字典 key，所以 prompt 中的 browse 仍能找到对应工具对象。对 image_search，代码会把结果注册到 ImageIdManager，分配全局唯一 IMG_###。模型最终只能引用 IMG_###，不能直接输出 URL 或本地路径；调用方再把这些 ID 映射回完整图像信息。默认每次 image search 至多向模型输入 5 张图。系统 prompt 要求至少调用一次 image_search，因为图像任务需要视觉 grounding。

prompt 规则要求全局工具调用上限最多 8 次；代码默认 MAX_LLM_CALL_PER_RUN=9，这相当于给 8 次工具调用后保留一次 final answer 机会。

3.5 两阶段训练

Stage 1: SFT。以 Qwen3-VL-8B-Instruct 为 base model，在 Gen-Searcher-SFT-10k 上学习多轮工具使用和 final answer 格式。 SFT 学到的是“能完成任务”的初始策略：如何发 query、如何读 tool response、如何选 reference images、如何输出 grounded prompt。 Stage 2: Agentic RL。用 Gen-Searcher-RL-6k 继续训练，让模型从多个 rollout 的最终 reward 中优化长期搜索策略。 RL 不是只优化单步 tool call，而是优化一整条 trajectory 对最终图像生成是否有帮助。论文采用 GRPO：同一个 query 下采样一组输出，通过组内 reward 均值和标准差归一化 advantage。

双奖励定义为： $R = (1 - α) R_{image} + α R_{text}$ 其中 $R_{image}$ 使用最终生成图像的 K-Score， $R_{text}$ 评价 final answer 中的 gen_prompt 和 reference_images 是否包含足够、正确且对生成有用的信息。论文设置 $α = 0.5$ 。

GRPO advantage： $A_{i} = \frac{R _{i} - mean ({ R _{j} })}{std ({ R _{j} })}$ GRPO objective： $J_{GRPO} = E_{q, {o_{i}}} [\frac{1}{G} \sum_{i = 1}^{G} (min (\frac{π _{θ} ( o _{i} ∣ q )}{π _{θ_{old}} ( o _{i} ∣ q )} A_{i}, clip (\frac{π _{θ} ( o _{i} ∣ q )}{π _{θ_{old}} ( o _{i} ∣ q )}, 1 - ϵ, 1 + ϵ) A_{i}) - β_{KL} D_{KL} (π_{θ} ∥ π_{ref}))]$ 直觉上， $R_{text}$ 让模型不要只赌下游生成器偶然成功； $R_{image}$ 又防止模型只写出“看起来资料充足”的文本而不关心最终图像。

3.6 源码级伪代码：Agent rollout

def run_gen_searcher_agent(question, llm, tools, max_llm_calls=9):
    messages = [
        {"role": "system", "content": SYSTEM_PROMPT_GEN_IMAGE + today_date()},
        {"role": "user", "content": question},
    ]
    img_manager = ImageIdManager()
    prediction = {}
    termination = "unknown"
 
    for round_idx in range(max_llm_calls):
        response = llm.generate(messages)
        content = response.text
 
        if "<tool_call>" in content and "</tool_call>" in content:
            messages.append({"role": "assistant", "content": content.strip()})
            call = json5.loads(extract_between(content, "<tool_call>", "</tool_call>"))
            tool_name = call["name"]
            tool_args = call.get("arguments", {})
            raw_result = await tools[tool_name].call(**tool_args)
 
            if tool_name == "image_search":
                refs = parse_image_search_results(raw_result, max_items=10)
                refs = img_manager.register_images(refs)
                tool_text = img_manager.format_image_search_response(tool_args["query"], refs)
                images = [{"image": r["local_path"]} for r in refs[:5] if os.path.exists(r.get("local_path", ""))]
                messages.append({"role": "user", "content": f"<tool_response>\n{tool_text}\n</tool_response>", "images": images})
            else:
                messages.append({"role": "user", "content": f"<tool_response>\n{raw_result}\n</tool_response>"})
            continue
 
        if "<answer>" in content and "</answer>" in content:
            ans = extract_answer_json_from_text(content)
            enriched = []
            for ref in ans["reference_images"][:5]:
                img_id = ref["img_id"]
                src = img_manager.img_map[img_id]
                enriched.append({**src, "img_id": img_id, "note": ref.get("note", "")})
            prediction = {"gen_prompt": ans["gen_prompt"], "reference_images": enriched}
            termination = "answer"
            break
 
        messages.append({"role": "user", "content": "Format error: output either one tool_call or one answer."})
 
    return {"question": question, "messages": messages, "prediction": prediction, "termination": termination}

3.7 源码级伪代码：Reward 与图像生成

def compute_gen_searcher_reward(episode):
    task = episode.task
    pred = task.get("prediction", {})
    if not pred or "error" in pred:
        return 0.0
 
    gen_prompt = pred.get("gen_prompt", "")
    ref_paths = [r["local_path"] for r in pred.get("reference_images", []) if os.path.exists(r.get("local_path", ""))]
    if not gen_prompt or not (1 <= len(ref_paths) <= 4):
        return 0.0
 
    generated = call_qwen_edit_to_generate_image(
        prompt=gen_prompt,
        reference_images=ref_paths[:3],
        timeout=int(os.environ.get("GEN_IMAGE_TIMEOUT", "1800")),
    )
    if generated is None:
        return 0.0
 
    image_reward, worldgen_json = call_gpt41_worldgen_score(
        generated_image_path=save_generated_image(generated),
        gt_image_path=task["gt_image"],
        prompt=task["question"],
        sample_id=str(task["id"]),
        api_key=os.environ["GEN_REWARD_API_KEY"],
        api_base=os.environ.get("GEN_REWARD_API_BASE_URL", ""),
        model=os.environ.get("GEN_REWARD_MODEL", "gpt-4.1"),
    )
 
    text_coef = float(os.environ.get("GEN_REWARD_TEXT_COEF", "0"))
    if text_coef > 0:
        text_reward, text_json = call_text_reward_score(task["question"], task["gt_image"], format_answer(pred), task["id"], api_key, api_base)
        return (1.0 - text_coef) * image_reward + text_coef * text_reward
    return image_reward

3.8 源码级伪代码：工具构造

def create_gen_image_tools():
    return {
        "image_search": UniversalImageSearchTool(),  # 搜参考图，保存 local_path 并返回 title/url/page_url
        "search": WebTextSearchTool(),              # Serper text search，返回网页 snippets
        "browse": JinaBrowseTool(),                # Jina read-proxy + summary model
    }

3.9 源码级伪代码：RL 训练配置

def launch_rl_training():
    config = {
        "algorithm.adv_estimator": "grpo",
        "data.train_batch_size": 8,
        "actor_rollout_ref.rollout.n": 6,
        "actor_rollout_ref.actor.optim.lr": 1e-6,
        "actor_rollout_ref.rollout.temperature": 0.7,
        "actor_rollout_ref.rollout.top_p": 0.95,
        "data.max_prompt_length": 4096,
        "data.max_response_length": 30000,
        "rllm.workflow.n_parallel_tasks": 64,
        "rllm.workflow.n_parallel_tools": 128,
        "trainer.n_gpus_per_node": 8,
        "trainer.total_epochs": 5,
    }
    return AgentTrainer(workflow_class=GenImageDeepResearchWorkflow, reward_function=gen_image_deepresearch_reward_fn_async, config=config)

3.10 Code-to-paper mapping

Code reference: main @ e5078d31 (2026-04-07) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function
ReAct search agent / final `gen_prompt` + `reference_images`	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/gen_image_deepresearch_agent.py`	`SYSTEM_PROMPT_GEN_IMAGE`, `GenImageDeepResearchAgent.run`, `ImageIdManager`, `extract_answer_json_from_text`
Workflow wrapper and episode conversion	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/gen_image_deepresearch_workflow.py`	`GenImageDeepResearchWorkflow.run`, `_result_to_episode`, `_should_mask_episode`
Tool registry	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/gen_image_deepresearch_tools_executor.py`	`create_gen_image_tools()`
Web / image / browse tools	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/tools/gen_web_tools.py`	`WebTextSearchTool`, `UniversalImageSearchTool`, `JinaBrowseTool`
Image generation reward	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/gen_image_deepresearch_reward.py`	`GenImageRewardFn.compute_reward`, `call_qwen_edit_to_generate_image`, `call_gpt41_worldgen_score`
Text reward	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/gen_image_deepresearch_reward.py`	`call_text_reward_score`, `GEN_REWARD_TEXT_COEF`
RL training entry	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/train_image_deepresearch_workflow_fsdp_gen.py`	`AgentTrainer(... workflow_class=GenImageDeepResearchWorkflow ...)`
RL launch config	`Gen-DeepResearch-RL/rllm/vision_deepresearch_async_workflow/run/gen_image_deepresearch_8B_fsdp_8gpu.sh`	`adv_estimator=grpo`, rollout/group/config overrides
SFT launch config	`Gen-DeepResearch-SFT/LLaMA-Factory/examples/train_full/gen_qwen3_sft.yaml`	`dataset=gen_sft`, `template=qwen3_vl`, `learning_rate=1e-5`
KnowGen evaluator alignment	`KnowGen_Eval/gpt_eval_knowgen.sh` and reward module	GPT-4.1 score prompt / K-Score formula reused in RL reward

3.11 Paper-code gap 与实现注意点

论文公式写 $R = (1 - α) R_{image} + α R_{text}$ ，并说 $α = 0.5$ 。释放代码中 GenImageRewardFn.__init__ 默认 GEN_REWARD_TEXT_COEF=0，只有显式设置环境变量大于 0 时才会调用 call_text_reward_score() 并混合文本奖励。因此，如果直接按 README/脚本默认启动，源码路径更像 image reward only；复现实验中的 dual reward 需要检查运行环境是否设置 GEN_REWARD_TEXT_COEF=0.5 或同等值。

论文写 browse 工具，源码工具字典 key 为 browse，类内部名字为 visit；由于 agent 调用按字典 key 分发，这不是功能性冲突。论文说 RL group size 为 6；脚本对应 n_resp_per_prompt=6。论文说最多 10 interaction turns；源码 prompt 层要求最多 8 次工具调用，MAX_LLM_CALL_PER_RUN=9 允许再输出 final answer。论文说每 turn 返回最多 5 张图；源码 MAX_IMAGES_PER_SEARCH_FOR_MODEL=5 对齐。论文中的 image reward 使用 K-Score；

源码 call_gpt41_worldgen_score() 使用 GPT-4.1 并按 0.1 faithfulness + 0.4 visual + 0.4 text + 0.1 aesthetics 计算。

4. Experimental Setup (实验设置)

4.1 训练数据与 benchmark

SFT 数据：Gen-Searcher-SFT-10k，来自过滤后的训练 split，用于监督学习多轮搜索轨迹。 RL 数据：Gen-Searcher-RL-6k，用于 agentic reinforcement learning。 Benchmark：KnowGen，630 个 human-verified held-out 样本。外部 benchmark：WISE，用于验证在另一个知识型图像生成基准上的泛化。训练样本与 KnowGen benchmark 明确无重叠。

4.2 训练模型与硬件

Base model：Qwen3-VL-8B-Instruct。训练得到：Gen-Searcher-8B。论文训练硬件：8 × NVIDIA H800 GPUs。 SFT optimizer：AdamW。 RL optimizer：AdamW。 SFT learning rate： $1 \times 1 0^{- 5}$ 。 RL learning rate： $1 \times 1 0^{- 6}$ 。 Batch size：SFT 与 RL 均为 8。 RL rollout image generator：Qwen-Image-Edit-2509，额外部署在 16 × H800 GPUs。 Browse summary model：Qwen3-VL-30B-Instruct-A3B，额外部署在 8 × H800 GPUs。论文说明 Qwen-Image-Edit-2509 的文字渲染优于 2511，所以用于 rollout image generation。训练总耗时约 1 天。

4.3 推理与 rollout 设置

Group size：6。 Maximum interaction turns：10。每轮最多返回图片数：5。 RL 最大上下文长度：36K。模型每轮 response length：4K。推理 decoding：temperature = 0.6，top-p = 0.9。推理最大上下文长度：64K。若 Gen-Searcher 因上下文过长或工具失败无法输出 final search-grounded prompt，则 fallback 到原始 prompt 生成。对 Qwen-Image / Qwen-Image-Edit 这种区分 text-only 和 editing model 的系列：纯文本输入用 text-only model，带 reference images 时用 editing model。

4.4 Released code config 核对

SFT YAML：dataset=gen_sft。SFT YAML：template=qwen3_vl。SFT YAML：cutoff_len=32768。SFT YAML：per_device_train_batch_size=1。SFT YAML：learning_rate=1.0e-5。SFT YAML：num_train_epochs=2.0。SFT YAML：DeepSpeed config 为 ds_z3_config.json。RL shell：adv_estimator="grpo"。RL shell：train_prompt_bsz=8。RL shell：n_resp_per_prompt=6。

RL shell：train_prompt_mini_bsz=8。RL shell：max_prompt_length=4096。RL shell：max_response_length=30000。RL shell：temperature=0.7，top_p=0.95，top_k=-1。RL shell：gen_tp=2。RL shell：actor_ppo_max_token_len_per_gpu=37000，infer_ppo_max_token_len_per_gpu=37000。

RL shell：rllm.workflow.n_parallel_tasks=64，rllm.workflow.n_parallel_tools=128。RL shell：trainer.n_gpus_per_node=8，trainer.total_epochs=5，trainer.save_freq=20。Reward module：Qwen Edit payload 使用 seed=0、true_cfg_scale=4.0、num_inference_steps=40、guidance_scale=1.0、num_images_per_prompt=1。

Reward module：reference image 数量要求默认 1 到 4，但真正传给 Qwen Edit 的上限是 MAX_REF_IMAGES_FOR_QWEN=3。

4.5 Baselines 与评价维度

KnowGen 表中包含闭源/商业基线：GPT-Image-1、GPT-Image-1.5、Nano Banana、Nano Banana Pro、Seedream 4.0、Seedream 4.5。 KnowGen 表中包含开源基线：SD-3.5-Medium、SD-3.5-Large、Lumina-Image 2.0、FLUX.1-dev、FLUX.1-Krea、FLUX.2-klein-4B、FLUX.2-klein-9B、BAGEL、HunyuanImage-3.0、Qwen-Image、Z-Image-Turbo、Z-Image。增强模型：Gen-Searcher-8B + Qwen-Image、Gen-Searcher-8B + Seedream 4.5、Gen-Searcher-8B + Nano Banana Pro。 WISE 表中比较 FLUX、SD、Emu3、Qwen-Image、HunyuanImage-3.0、LongCat-Image 与 Gen-Searcher-8B + Qwen-Image。消融包含 Qwen-Image baseline、手写 workflow、SFT-only、去掉 text reward、去掉 image reward 和完整模型。

5. Experimental Results (实验结果)

5.1 KnowGen 主结果

Method	Overall K-Score	关键解读
Lumina-Image 2.0	9.43	开源基线很难处理搜索依赖细节
FLUX.1-dev	10.71	视觉质量不等于知识 grounding
SD-3.5-Large	12.53	text accuracy 和 visual correctness 仍低
HunyuanImage-3.0	14.15	强开源模型也缺少显式搜索
Qwen-Image	14.98	作为主要 open-source rollout/backbone baseline
Seedream 4.5	31.01	闭源强基线，但仍可被 Gen-Searcher 增强
GPT-Image-1.5	44.97	闭源模型明显强于普通开源模型
Nano Banana Pro	50.38	最强 baseline
Gen-Searcher-8B + Qwen-Image	31.52	相比 Qwen-Image +16.54
Gen-Searcher-8B + Seedream 4.5	47.29	相比 Seedream 4.5 +16.28
Gen-Searcher-8B + Nano Banana Pro	53.30	相比 Nano Banana Pro +2.92，表中最高

KnowGen 对现有开源图像生成器很难：多数开源 baseline Overall K-Score 在 9 到 15 左右。 Qwen-Image baseline 为 14.98。 Gen-Searcher-8B + Qwen-Image 达到 31.52，提升 16.54。 Seedream 4.5 baseline 为 31.01。 Gen-Searcher-8B + Seedream 4.5 达到 47.29，提升 16.28。 Nano Banana Pro baseline 为 50.38。 Gen-Searcher-8B + Nano Banana Pro 达到 53.30，仍有 2.92 提升，并成为表中最高。这说明 Gen-Searcher 学到的不是只适配 Qwen-Image 的 prompt trick，而是可迁移的搜索与 grounding policy。论文还观察到提升主要来自 visual correctness 和 text accuracy，这符合 K-Score 的设计目标。 aesthetics 有时略降，可能因为多张参考图和复杂事实约束会限制画面构图自由度。

5.2 WISE 结果

Method	Cultural	Time	Space	Biology	Physics	Chemistry	Overall
FLUX.1-dev	0.48	0.58	0.62	0.42	0.51	0.35	0.50
Qwen-Image	0.62	0.63	0.77	0.57	0.75	0.40	0.62
HunyuanImage-3.0	0.58	0.57	0.70	0.56	0.63	0.31	0.57
LongCat-Image	0.66	0.61	0.72	0.66	0.72	0.49	0.65
Gen-Searcher-8B + Qwen-Image	0.80	0.71	0.82	0.76	0.74	0.75	0.77

WISE 上 Gen-Searcher-8B + Qwen-Image Overall 为 0.77。 Qwen-Image baseline 为 0.62，因此提升 0.15。 Chemistry 从 0.40 提升到 0.75，是最明显的类别提升。 Physics 从 0.75 到 0.74 略低，说明并非所有类别都单调提升。结果说明 Gen-Searcher 不只适用于新提出的 KnowGen，也能迁移到已有知识型图像 benchmark。

5.3 消融实验

Variant	KnowGen	相对上一关键阶段的含义
Qwen-Image	14.98	无搜索增强
Qwen-Image + workflow	22.91	手写搜索流程已经有帮助，+7.93
Qwen-Image + Gen-Searcher-SFT	28.15	学习轨迹优于手写规则，+5.24
Qwen-Image + Gen-Searcher w.o. text reward	29.59	仅 image reward 有效但不最佳
Qwen-Image + Gen-Searcher w.o. image reward	29.36	仅 text reward 有效但不最佳
Qwen-Image + Gen-Searcher	31.52	双奖励完整模型最佳

从 14.98 到 22.91 说明外部搜索本身有明显价值。从 22.91 到 28.15 说明学习轨迹比人工规则更会组织多步 evidence。从 28.15 到 31.52 说明 RL 进一步优化了长期搜索决策。去掉 text reward 得到 29.59，低于完整模型 1.93。去掉 image reward 得到 29.36，低于完整模型 2.16。两个去除项都下降，支持论文“双奖励互补”的主张。 Text reward 更直接监督信息是否充分且正确。 Image reward 更直接监督这些信息是否能转化为最终图像质量。

5.4 定性结果

Figure 6 解读：定性对比显示，Gen-Searcher 通常能通过搜索参考图改善人物、器物、建筑和海报文本等细节。不过论文也指出，当下游生成器本身无法稳定实现多主体一致性时，即使搜索内容正确，最终图像仍可能失败。

Nano Banana Pro 虽然强，但如果不能进行 image search，对细粒度视觉属性仍会出错。 Gen-Searcher 通过检索参考图弥补了这一点。对 Qwen-Image 来说，搜索可以给出正确证据，但下游生成模型仍可能无法 faithfully realize 多角色、多物体或复杂文字。这说明 Gen-Searcher 是上游 grounding 模块，不是万能图像合成器；最终质量仍受 generator 能力限制。该限制也解释了为什么 aesthetics 有时会略微下降：准确约束越多，生成器需要满足的条件越强。

5.5 参数分析

Figure 7 解读： $α = 0$ 或 $α = 1$ 都会降低性能，说明只依赖 image reward 或只依赖 text reward 都不够。 $α$ 在 0.3 到 0.6 之间表现较稳定，论文默认使用 0.5。

$α = 0$ ：只使用 image reward，问题是最终图像质量受生成器随机性和能力限制影响大，reward 方差高。 $α = 1$ ：只使用 text reward，问题是模型可能收集了看似完整的信息，但这些信息未必真正帮助图像合成。 $α = 0.3$ 到 $0.6$ ：性能相对稳定，说明双奖励不是极度敏感的单点调参。这组分析也进一步支撑“文本监督 + 图像结果监督”必须结合。

5.6 结论与局限

Gen-Searcher 证明了搜索增强可以从文本 QA 扩展到图像生成。其贡献不是单个模型，而是数据、benchmark、agent 训练、双奖励和开源实现的一整套基础设施。主结果显示，对 Qwen-Image 这种强开源模型，搜索 agent 能把 KnowGen 从 14.98 提升到 31.52。迁移结果显示，同一个 Gen-Searcher 可增强 Seedream 4.5 和 Nano Banana Pro。局限一：需要外部搜索、image search、browse、summary model 和 image generator 服务，系统复杂且成本高。局限二：最终生成仍受下游图像模型控制；搜索正确不保证图像一定正确。

局限三：KnowGen 的 GT image 是 Nano Banana Pro 合成的 synthesis ground truth，不等同于真实照片或人工绘制标准答案。局限四：GPT-4.1 judge 虽与 WISE 风格对齐，但仍可能有评测偏差。局限五：公开代码默认文本奖励系数为 0，若不检查环境变量，可能无法复现论文的 dual reward 设置。实践启示：如果要复现或扩展，应优先核对 reward coefficient、工具 API、reference image 保存路径和下游生成器版本。对后续研究的启示是：图像生成的 test-time scaling 可以发生在“生成前的研究过程”，而不只是在扩散采样或后验筛选阶段。

Paper Notes

探索

Gen-Searcher: Reinforcing Agentic Search for Image Generation

Gen-Searcher: Reinforcing Agentic Search for Image Generation

1. Motivation (研究动机)

1.1 当前图像生成模型的真实短板

1.2 为什么这个问题值得做

1.3 论文想解决的具体目标

1.4 与普通 search-augmented generation 的差别

2. Idea (核心思想)

2.1 一句话核心洞察

2.2 关键创新

2.3 与既有方法的本质区别

3. Method (方法)

3.1 总体框架

3.2 数据构造流水线

3.3 KnowGen benchmark 与 K-Score

3.4 Agent 交互协议与搜索工具

3.5 两阶段训练

3.6 源码级伪代码：Agent rollout

3.7 源码级伪代码：Reward 与图像生成

3.8 源码级伪代码：工具构造

3.9 源码级伪代码：RL 训练配置

3.10 Code-to-paper mapping

3.11 Paper-code gap 与实现注意点

4. Experimental Setup (实验设置)

4.1 训练数据与 benchmark

4.2 训练模型与硬件

4.3 推理与 rollout 设置

4.4 Released code config 核对

4.5 Baselines 与评价维度

5. Experimental Results (实验结果)

5.1 KnowGen 主结果

5.2 WISE 结果

5.3 消融实验

5.4 定性结果

5.5 参数分析

5.6 结论与局限

目录