CANDO：用于约束布局优化的协作Agent网络

真实设施的布局生成需要推理不规则场地边界、不同朝向、考虑可达性的放置以及运动规划可行性，是一项有挑战的问题。然而，生成式AI领域已有多数布局基准面向矩形区域内较简单的放置，依赖FID、IoU等分布指标；这些指标奖励符合数据先验的设计，从而弱化创新。为填补这一缺口，我们提出ALPS-Bench，包含1000个专业标注的真实设施布局，并配有基于结构化设计手册、针对每个实例的评分协议。作为强基线，我们提出CANDO，一种免训练的多Agent框架。专职Agent在以验证为依据的循环中迭代修订布局，将推理集中于战略性空间决策。CANDO在广泛使用的PubLayNet、RICO和PKU-PosterLayout基准上超过受比较的已训练及LLM基线，支持协作式Agentic设计作为约束感知布局生成方法。