Unify-Agent：基于智能体架构的世界知识 grounded 图像生成

统一多模态模型在生成长尾和知识密集型概念图像时受限于参数化知识。Unify-Agent将图像生成重构为智能体流程，通过提示理解、多模态证据搜索、grounded重描述和最终合成四阶段，在FactIP基准上显著超越基线，接近最强闭源模型的世界知识能力。

现有文本到图像生成模型依赖训练阶段学到的参数化知识，对常见概念表现良好，但面对长尾概念（如特定历史文物、小众文化符号）或知识密集型概念（如埃菲尔铁塔精确结构）时易产生幻觉。根源在于训练数据无法覆盖全部人类知识，尤其是冷门或新增信息。

Unify-Agent将图像生成重构为四阶段智能体流程：1.提示理解与意图解析：生成结构化知识查询计划；2.多模态证据搜索：自适应检索权威文本和相关图像；3.grounded重描述：整合外部知识为详细生成提示；4.最终图像合成：基于重描述生成，并支持迭代回溯优化。

训练数据：构建14.3万条高质量智能体轨迹，含完整四阶段记录，经自动规则过滤、人工审核和模型评估筛选。FactIP基准：涵盖12类事实概念，多维度评估视觉质量、事实准确性和提示遵循度。实验结果：Unify-Agent超越基础模型，事实准确性显著提升，接近最强闭源模型。

实验发现：长尾概念生成优势明显；grounded重描述关键；多模态搜索提升视觉质量；迭代能力价值显著。应用前景：教育领域历史场景复原、科学可视化；新闻媒体事实配图；设计领域符合规范的概念图。代表AI从封闭知识向开放知识转变趋势。

局限：依赖外部搜索质量；增加延迟和成本；自动事实验证困难。未来方向：优化搜索策略（多跳推理、知识图谱导航）；平衡准确性与效率；发展可靠自动验证方法。