Busca Além do Que Pode Ser Ensinado: Evoluindo a Fronteira do Conhecimento na Geração Visual Agêntica

Resumo

Geradores visuais são excelentes em renderização, mas fabricam com confiança aquilo que desconhecem. As solicitações dos usuários são ilimitadas, em evolução e profundamente de cauda longa: novos personagens, entidades em tendência, eventos posteriores ao corte de dados e muito mais. Esse gargalo de conhecimento do mundo é estrutural: os geradores são treinados em corpora fixos, mas o mundo visual é aberto. Construímos o SearchGen-20K e o SearchGen-Bench, com 20.839 prompts abrangendo doze categorias de falha e vinte e dois domínios, emparelhados com um Corpus SearchGen multimodal pré-executado de 1M para apoiar pesquisas reproduzíveis offline. No SearchGen-Bench, geradores abertos de ponta pontuam apenas de 21 a 28 em 100, um colapso de 40 pontos invisível nos benchmarks existentes. O remédio natural é empregar ferramentas de busca, viabilizando a geração visual agentiva. No entanto, descobrimos que a busca ingênua falha: ela recupera indiscriminadamente, injetando ruído em prompts que o gerador já trata. Atribuímos a causa raiz a uma fronteira de conhecimento específica do gerador e evolutiva: a divisão entre o que um gerador pode internalizar por meio do treinamento e o que deve permanecer no contexto externo. Embora essa fronteira seja difícil de especificar antecipadamente, mostramos que ela é descoberta por meio de um arcabouço de cortreinamento "ensinar-depois-buscar". Mesmo uma versão mínima dessa receita de cortreinamento produz melhoria monotônica, estabelecendo a base para o autoaperfeiçoamento recursivo em geração visual que pode atender a solicitações fundamentadas no conhecimento do mundo. Disponibilizamos o conjunto de dados completo, o corpus de cortreinamento e o corpus de busca como uma ferramenta reproduzível para geração visual aumentada por ferramentas e fundamentada no conhecimento do mundo.

English

Visual generators excel at rendering, but they confidently fabricate what they do not know. User requests are unbounded, evolving, and deeply long-tailed: new characters, trending entities, post-cutoff events, and more. This world-knowledge bottleneck is structural: generators are trained on fixed corpora, but the visual world is open-ended. We construct SearchGen-20K and SearchGen-Bench, with 20,839 prompts spanning twelve failure categories and twenty-two domains, paired with a pre-executed multimodal SearchGen-Corpus-1M to support offline, reproducible research. On SearchGen-Bench, frontier open generators score only 21 to 28 out of 100, a 40-point collapse invisible to existing benchmarks. The natural remedy is to employ search tools, enabling agentic visual generation. However, we find that naive search fails: it retrieves indiscriminately, injecting noise into prompts the generator already handles. We trace the root cause to a generator-specific, evolving knowledge boundary: the divide between what a generator can internalize through training and what must remain in external context. Although this boundary is hard to specify in advance, we show that it is discoverable through a teach-then-search co-training framework. Even a minimal version of this co-training recipe produces monotonic improvement, laying the foundation for recursive self-improvement in visual generation that can meet world-knowledge-grounded requests. We release the full dataset, co-training corpus, and search corpus as a replayable harness for tool-augmented, world-knowledge-grounded visual generation.