Gen-Searcher: Усиление агентного поиска для генерации изображений
Gen-Searcher: Reinforcing Agentic Search for Image Generation
March 30, 2026
Авторы: Kaituo Feng, Manyuan Zhang, Shuang Chen, Yunlong Lin, Kaixuan Fan, Yilei Jiang, Hongyu Li, Dian Zheng, Chenyang Wang, Xiangyu Yue
cs.AI
Аннотация
Современные модели генерации изображений демонстрируют высокую способность создания фотореалистичных изображений с превосходной детализацией. Однако они принципиально ограничены замороженными внутренними знаниями, что часто приводит к неудачам в реальных сценариях, требующих интенсивного использования знаний или актуальной информации. В данной статье мы представляем Gen-Searcher — первую попытку обучения поисково-расширенного агента генерации изображений, который выполняет многошаговые рассуждения и поиск для сбора текстовых знаний и референсных изображений, необходимых для обоснованной генерации. Для этого мы создали специализированный конвейер данных и подготовили два высококачественных набора данных: Gen-Searcher-SFT-10k и Gen-Searcher-RL-6k, содержащих разнообразные поисково-интенсивные промпты и соответствующие эталонные изображения. Мы также представляем KnowGen — комплексный бенчмарк, который явно требует привлечения внешних знаний через поиск для генерации изображений и оценивает модели по множеству критериев. На основе этих ресурсов мы обучаем Gen-Searcher с помощью SFT с последующим агентным обучением с подкреплением и двойной reward-обратной связью, которая сочетает текстовые и визуальные вознаграждения для обеспечения стабильных и информативных сигналов обучения при GRPO-тренинге. Эксперименты показывают, что Gen-Searcher обеспечивает существенный прирост качества, улучшая показатели Qwen-Image примерно на 16 баллов на KnowGen и на 15 баллов на WISE. Мы надеемся, что эта работа послужит открытой основой для разработки поисковых агентов в генерации изображений, и полностью открываем наши данные, модели и код.
English
Recent image generation models have shown strong capabilities in generating high-fidelity and photorealistic images. However, they are fundamentally constrained by frozen internal knowledge, thus often failing on real-world scenarios that are knowledge-intensive or require up-to-date information. In this paper, we present Gen-Searcher, as the first attempt to train a search-augmented image generation agent, which performs multi-hop reasoning and search to collect the textual knowledge and reference images needed for grounded generation. To achieve this, we construct a tailored data pipeline and curate two high-quality datasets, Gen-Searcher-SFT-10k and Gen-Searcher-RL-6k, containing diverse search-intensive prompts and corresponding ground-truth synthesis images. We further introduce KnowGen, a comprehensive benchmark that explicitly requires search-grounded external knowledge for image generation and evaluates models from multiple dimensions. Based on these resources, we train Gen-Searcher with SFT followed by agentic reinforcement learning with dual reward feedback, which combines text-based and image-based rewards to provide more stable and informative learning signals for GRPO training. Experiments show that Gen-Searcher brings substantial gains, improving Qwen-Image by around 16 points on KnowGen and 15 points on WISE. We hope this work can serve as an open foundation for search agents in image generation, and we fully open-source our data, models, and code.