论文
Qwen-Image-Agent：弥合现实世界图像生成中的上下文差距
Qwen-Image-Agent: Bridging the Context Gap in Real-World Image Generation
摘要
虽然文本到图像 (T2I) 模型取得了显着的进步，但它们难以满足现实世界的要求，而这些要求往往是不明确的、隐含的或依赖于最新的知识。我们将这一挑战定义为上下文差距：用户上下文与 T2I 模型的充足生成上下文之间的不匹配。为了弥补这一差距，我们提出了 Qwen-Image-Agent，这是一个统一的代理框架，以上下文为中心的方式集成了计划、推理、搜索、记忆和反馈。 Qwen-Image-Agent 将用户输入视为部分上下文，并通过上下文感知规划和上下文信息收集逐步构建生成上下文。具体来说，情境感知规划可以识别缺失的情境，并计划如何获取和使用它，而上下文信息收集则从推理、搜索、记忆和反馈中收集情境。为了评估代理图像生成，我们进一步引入了图像代理基准（IA-Bench），这是一个涵盖四个核心图像代理功能的基准：计划、推理、搜索和内存。 IA-Bench、Mindbench 和 WISE-Verified 上的实验表明，Qwen-Image-Agent 的性能优于强大的基线，并实现了最先进的性能。