TL;DR

即使是最强的多模态 LLM，也会在绘画时“数不清苹果”或“放错位置”。本文提出的 UniReasoner 框架洞察到了 LLM “眼高手低”（视觉验证强、直接生成弱）的特性，通过 “先画草图、自我批评、再精修成图” 的三步走策略，在不增加扩散模型负担的前提下，大幅刷新了图像生成的一致性标准。

1. 痛点：为什么 LLM “懂判别”却“画错”？

在当前的统一多模态模型（如 BAGEL）中，我们常观察到一个讽刺的现象：你让模型画“4 个苹果”，它画了 5 个；但当你把这张画丢回给它并问“这里有几个苹果”时，它能准确回答“5 个”。

这种理解-生成差距 (Understanding-Generation Gap) 表明，模型内部的知识是充足的，但单次、线性的生成过程（从 Text Embedding 直接映射到 Pixels）无法有效激活这些细粒度的推理约束。

2. 核心直觉：从编码器到“通用推理器”

UniReasoner 的核心设计哲学是将 LLM 从一个被动的“翻译官”（Text Encoder）转变为主动的“监工”。它不再指望扩散模型一次性理解复杂的 Prompt，而是通过以下三个环节进行推理闭环：

第一步：视觉草图 (Visual Drafting)

LLM 首先生成一组离散的视觉 Token。这些 Token 基于 SigLIP-2 的离散化表示，它们不像像素那样精细，但蕴含了极强的语义分布。这相当于在动笔前，模型先给出了一个“排版方案”。

第二步：落地自评 (Grounded Evaluation)

这是最关键的一步。LLM 会审视自己刚才生成的草图，并问自己：“这个草图满足 Prompt 吗？”。如果发现草图里少了一个杯子或颜色错了，它会生成一段具体的文字说明（如“左侧缺少一个蓝色的瓶子”）。这种显式的纠错信号将 LLM 的判断力转化成了可操作的指令。

第三步：联合扩散 (Joint Diffusion)

扩散模型（实验中采用 SANA/FLUX 等）此时不再只盯着原始 Prompt 看，它同时参考：

1. 原始 Prompt（全局意图）
2. 视觉草图（空间锚点）
3. 评估报告（纠错指令）

3. 实验战绩：不改底座，暴力提分

UniReasoner 最令人印象深刻的一点是它的兼容性。作者冻结了扩散模型底座（SANA），仅通过改变输入层，就实现了质的飞跃。

• GenEval 榜单：在最具挑战性的“计数”和“位置”任务上，UniReasoner 相比 baseline 提升了 10~20 个百分点。
• 语义保真度：多源条件输入（Text + Draft + Eval）被证明比单纯的 Prompt 扩写（Prompt Rewriting）有效得多，因为它提供了视觉空间上的实体化参考。

4. 深度洞察

为什么离散化的 SigLIP Token 比 VQGAN 的 Token 更好用？ 论文指出，基于重建任务的 VQGAN 关注的是像素复原，而 SigLIP 关注的是语义。对于 LLM 这种“文字生物”来说，SigLIP 的 Token 更容易被自回归地预测，也更容易与其内部的语义空间挂钩。这意味着，草图本身就携带了高层次的逻辑，而非混乱的噪声。

5. 总结与局限

UniReasoner 成功地将 LLM 的角色从“信息压缩器”转变为“生成决策者”。它不需要海量的重新训练，而是利用现有的 LLM 推理路径闭合了生成循环。

局限性：

1. 推理开销：由于引入了草图生成和文字评估两个额外的自回归步骤，首屏出图的延迟（Latency）会有所增加。
2. 训练依赖：构建“反面教材”（Hard-Negative Mining）来训练评估器需要高质量的 Vision-Language 模型支持。

未来的视觉生成系统可能不再是单向的“输入-生成”，而是充满了这种推理、验证与修正的对话式过程。