让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」

在文生图（Text-to-Image）和视频生成领域，以FLUX.1、Emu3为代表的扩散模型与自回归模型已经能生成极其逼真的画面。

但当你要求模型处理复杂的空间关系、多物体交互或精准的数量控制时，它们往往会“露怯”：不是把猫画到了窗户外面，就是把三个苹果画成了四个。

为了解决这个问题，学术界此前主要有两条路：

一条是“谋定而后动”（Think-before-Generation），即在画第一笔之前，先写好详细的布局计划。但这就像让画家在动笔前必须把每一笔都想得清清楚楚，一旦开画就无法更改，缺乏灵活性。

另一条是“亡羊补牢”（Think-after-Generation），即先把图画完，再通过多轮对话来挑错、修改。这虽然有效，但往往意味着巨大的推理开销和漫长的等待时间。

那么，有没有一种方法，能让模型像人类画家一样，在作画的过程中停下来看一眼，既能审视刚才画得对不对，又能为下一笔做好规划？

近日，来自香港中文大学、美团等机构的研究团队提出了一种全新的范式——Thinking-while-Generating（TwiG）。这是首个在单一生成轨迹中、以局部区域为粒度，将文本推理与视觉生成深度交织（Interleave）的框架。

什么是Thinking-while-Generating？

如果说之前的视觉生成是“一口气跑到底”，TwiG则更像是一种“间歇性思考”。

研究团队受到大语言模型（LLM）中思维链（Chain-of-Thought）的启发，但他们反其道而行之：不再是用图片辅助推理，而是用推理来引导作画。

在TwiG的框架下，视觉生成不再是一个黑盒的连续过程，而是被拆解为“生成-思考-再生成”的循环。模型会在绘制过程中多次“暂停”，插入一段文本推理（Thought），用于总结当前的视觉状态，并指导接下来的生成。

为了实现这一目标，研究团队将TwiG框架拆解为三个核心维度：

1. When to Think（何时思考）：模型首先会根据用户的Prompt（提示词），规划出一个“思维时间表”。研究发现，将画面生成过程拆解为3个阶段效果最佳，这恰好符合图像通常包含“上部背景、主体内容、下部背景”的语义结构。

2. What to Say（思考什么）：在每个暂停点，模型会生成一段“思维链”。这段文本不仅承接了上文的逻辑，更像是一个微型的路书，专门指导接下来的局部区域该怎么画。这种细粒度的引导，比那种“一句Prompt走天下”的方式要精准得多。

3. How to Refine（如何修正）：在画完一个局部后，模型会立刻进行自我批判（Self-Reflection）。如果发现画歪了或者颜色不对，它会立刻触发“重画”机制，只修正当前的局部，而不需要推倒重来。

实证研究：从Zero-Shot到SFT到RL

为了验证这一范式的潜力，研究团队在统一多模态模型（如Janus-Pro）上进行了层层递进的实验。

Zero-Shot潜力惊人

仅仅通过精心设计的Prompt，而不需要任何参数更新，模型就已经展现出了强大的“边画边想”能力。

在T2I-CompBench基准测试中，Zero-Shot版的TwiG（TwiG-ZS）在属性绑定、空间关系等多个维度上显著超越了基准模型。

结果表明，在合适的interleave约束与提示下，现有多模态模型已具备一定的在生成过程中进行推理的潜力。

SFT提升稳定性

团队进一步构建了包含50K数据的高质量数据集TwiG-50K，对模型进行监督微调（SFT）。结果显示，SFT有效减少了模型“胡思乱想”产生的幻觉，让生成的思维链更加简练、可控。

RL突破上限

团队采用了针对TwiG优化的GRPO策略（Group Relative Policy Optimization），让模型在“何时思考、思考什么、如何修正”的策略上进行自我博弈和进化。

实验数据显示，经过RL训练的TwiG-RL，在T2I-CompBench++的多个关键组合与空间指标上，展现出与Emu3、FLUX.1等模型具有竞争力、甚至在部分维度上更优的表现。

TwiG的提出，不仅是一种技术上的优化，更是一种观念上的转变。它试图打破视觉生成模型的“黑盒”属性，通过引入可读的文本推理，让生成过程变得透明、可控且具有逻辑性。

研究团队的结论可以总结为以下几点：

1. 生成需要逻辑：单纯的像素概率预测难以处理复杂的逻辑约束，引入显式的文本推理是必经之路。

2. 修正优于重绘：相比于画完再改的“大动干戈”，在生成过程中进行局部的即时修正是更高效的策略。

3. RL是关键：强化学习不仅能优化最终的图像质量，更能教会模型如何思考，是挖掘多模态模型推理潜力的关键钥匙。

目前的TwiG中的具体实现与实验验证主要基于自回归ULM（如Janus-Pro），但框架在设计上对扩散模型同样兼容。这种“边生成边思考”的范式有望扩展到视频生成、3D建模等更复杂的领域，为通往真正的通用视觉智能提供新的拼图。

论文题目：Thinking-while-Generating: Interleaving Textual Reasoning throughout Visual Generation

论文链接：https://arxiv.org/abs/2511.16671

项目主页：https://think-while-gen.github.io

文章来自于“量子位”，作者 “TwiG团队”。