DataEvolver: Selbst-evolvierende Multi-Agenten-Datenkonstruktion für die Generierung textreicher Bilder

Zusammenfassung

Textreiche Bildgenerierung ist eine der anspruchsvollsten Aufgaben in der Bildgenerierung, da Modelle gleichzeitig visuell realistische Bilder erzeugen und lesbare, semantisch korrekte sowie layoutkonsistente Texte darstellen müssen. Bestehende Datenpipelines folgen in der Regel einem statischen Crawl-Filter-Freeze-Paradigma: Sie sammeln Kandidatenstichproben, filtern sie einmalig und frieren die akzeptierten Daten für das Training ein. Abgelehnte Stichproben werden jedoch meist verworfen, obwohl sie oft nützliche Fehlersignale wie OCR-Fehler und semantische Missverhältnisse enthalten. Infolgedessen können spätere Konstruktionsrunden dieselben Fehlermuster wiederholen. Um diese Einschränkungen zu überwinden, schlagen wir DataEvolver vor, ein selbstentwickelndes Multi-Agenten-Framework für die Konstruktion textreicher Bilddaten. DataEvolver behandelt die Datenkonstruktion als feedbackgesteuerte Weiterentwicklung der Konstruktionsstrategie. Ein Retriever sammelt Kandidatenstichproben, ein Verifier weist Qualitätsbewertungen und Ablehnungsgründe zu, ein Critic fasst Feedback auf Rundenebene zu semantischem Feedback zusammen, und ein Generator vervollständigt unterabgedeckte Bereiche durch gezielte Synthese. Der aktualisierte Feedback-Speicher leitet dann die nächste Konstruktionsrunde. Experimente mit Benchmarks zur textreichen Bildgenerierung zeigen, dass DataEvolver bei gleichem Datenbudget nützlichere Trainingsdaten produziert als Basislinien mit festem Datensatz. Im Maßstab von 0,75 Mio. bei PixArt-alpha verbessert DataEvolver den OCR-F1-Wert gegenüber der stärksten Basislinie um 85,3 Prozent auf TextScenesHQ und um 35,3 Prozent auf LongTextBench. Die Verbesserungen sind konsistent über beide evaluierten Benchmarks hinweg und übertragen sich auch auf Show-o2, was darauf hindeutet, dass der Nutzen von DataEvolver nicht an einen einzelnen nachgelagerten Generator gebunden ist. Diese Ergebnisse legen nahe, dass abgelehnte Stichproben umsetzbares Feedback zur Verbesserung der Konstruktion textreicher Bilddaten liefern können.

English

Text-rich image generation is one of the most challenging settings in image generation, since models must simultaneously produce visually realistic images and render legible, semantically aligned, and layout-consistent text. Existing data pipelines usually follow a static crawl-filter-freeze paradigm. They collect candidate samples, filter them once, and freeze the accepted data for training. However, rejected samples are usually discarded, although they often contain useful failure signals such as OCR errors and semantic mismatches. As a result, later construction rounds may repeat the same failure modes. To address these limitations, we propose DataEvolver, a self-evolving multi-agent framework for text-rich image data construction. DataEvolver treats data construction as feedback-driven construction policy evolution. A Retriever collects candidate samples, a Verifier assigns quality scores and rejection causes, a Critic summarizes round-level feedback into semantic feedback, and a Generator completes under-covered regions through targeted synthesis. The updated feedback memory then guides the next construction round. Experiments on text-rich image generation benchmarks show that DataEvolver produces more useful training data than fixed-dataset baselines under matched data budgets. At the 0.75M scale on PixArt-alpha, DataEvolver improves OCR-F1 over the strongest baseline by 85.3 percent on TextScenesHQ and 35.3 percent on LongTextBench. The improvements are consistent across both evaluated benchmarks and also transfer to Show-o2, indicating that the benefit of DataEvolver is not tied to a single downstream generator. These results suggest that rejected samples can provide actionable feedback for improving text-rich image data construction.