计划，而不是解码器：诊断和修复推理增强文本到图像生成中的组合故障

推理增强文本到图像模型（例如 GoT-R1）会在生成图像标记之前发出明确的文本计划 - 对象名称、属性和边界框。当这样的模型在组合提示中失败时，是计划错误，还是计划正确而解码器不忠实？由于该计划是机器可读的，因此可以在解码之前对其进行编辑，这使得两者可以分离。我们首先验证标尺。在模型自己的链内交换两个边界框显然会翻转生成的布局：基于检测器的精度下降 0.75 -> 0.48 (p<1e-3)，而广泛使用的基于 VQA 的空间度量则上升。一项由五位评估者进行的人类研究在 81% 的项目上与检测器一致，在 57% 的项目上与 VQA 法官一致。因此，所有空间结果都使用几何评分。在声音测量下，解码器是忠实的执行者：94％的生成布局实现了计划的关系，并且对象框绑定在计划的对象段重新排序后仍然存在。计划者是瓶颈。它会因为与措辞相关的原因而写出错误的关系——对于语义相同的布局，“左”的准确度为 98%，“右”的准确度为 54%，我们通过提及顺序控制来隔离光栅顺序偏差——以及解码器忠实再现的混乱的几何形状。因此，编辑计划无需重新训练即可修复图像：重采样的符号验证给出 +5.0 点 (p<1e-3)，最小就地修复 +6.0 (p=.02)，仅重写框几何 +10.7 (p<1e-4)，并彻底替换计划 +13.3 (p=1e-4)。收益与计划的散文风格及其在计划者之下的可能性无关，但与其几何形状无关。因此，只要计划内部一致，模块化规划器-解码器设计就是可行的：框文本矛盾会导致对象重复和身份融合。我们发布了计划保真度评估协议、所有计划和 12k 生成的图像。