UniReasoner：利用大语言模型推理能力弥合视觉生成中的理解-生成鸿沟

本文提出理解-生成鸿沟的形式化定义及UniReasoner框架，通过LLM生成视觉草稿、自我批判评估、输出纠正信号指导扩散模型，在保持图像质量的同时显著提升组合对齐和语义忠实度。

文本到图像生成技术虽进步显著，但存在"能看懂却画不对"的核心悖论，如复杂提示下常出现遗漏属性、错误关系等问题。研究将此现象形式化为"理解-生成鸿沟"，其原因包括理解与生成的条件分布差异、离散vs连续空间映射、单向vs双向信息流的架构缺陷。

UniReasoner框架核心是利用LLM将理解能力转化为生成指导，包含三阶段：1.视觉草稿生成（离散视觉token抽象表示）；2.自我批判评估（检查草稿与提示一致性，输出纠正信号）；3.条件化扩散生成（整合原始提示、视觉草稿、文本评估三重输入）。技术实现包括多尺度视觉token化、结构化自我批判提示工程、分层扩散条件融合策略。

实验显示UniReasoner在组合对齐（空间关系准确率从62%→81%、属性绑定从58%→76%）、语义忠实度（提示-图像对齐度提升23%、人类偏好率65%）方面显著提升，且保持图像质量（FID分数相当、美学质量无差异）。消融实验证明视觉草稿和文本评估组合产生协同效应。

UniReasoner有效的原因包括：1.显式推理步骤替代隐式学习，使过程可见可调试；2.复用LLM验证能力指导生成，形成"理解→验证→指导→生成"闭环；3.分层条件策略在不同抽象层次应用信号，实现精细控制。

当前局限：计算开销增加、错误累积风险、复杂场景性能待提升、领域泛化性待验证。未来方向：迭代优化流程、扩展交互式生成、多模态应用、效率优化、特定领域适配。

UniReasoner代表"推理驱动的生成AI"新范式，生成包含显式推理步骤，理解能力指导生成，中间表示可解释可控。此范式可扩展至文本、代码、音乐生成等领域。

UniReasoner为弥合理解-生成鸿沟提供实用路径，证明LLM理解能力可转化为生成指导且不牺牲质量。核心原理：理解与生成需显式构建桥梁，是构建可靠可控AI系统的关键。未来将出现更多"会思考再创作"的AI系统。