TL;DR

尽管当前的扩散模型（如 FLUX, SD-3.5）在视觉保真度上已臻化境，但在处理包含多实体、特定知识或严苛空间约束的“复杂意图”时仍频繁翻车。本文提出的 SCOPE 框架通过引入结构化语义规范（Structured Specification），将生成过程从“单次博弈”转变为“有目标的技能编排”。其核心在于确保每一个语义承诺（Commitment）在从理解到生成的全生命周期中始终“在线”，从而在严苛的 Gen-Arena 评测中将通过率从 21% 提升至 60%。

痛点深挖：消失的“语义承诺”与概念裂痕

在复杂的创作流中，用户可能会输入类似“在一个 2026 年的体育颁奖礼上，某位特定历史人物戴着特定款式的勋章”这样的指令。现有模型面临两个核心挑战：

1. 知识盲区：模型无法内置所有外部事实（如特定勋章的长相）。
2. 概念裂痕 (Conceptual Rift)：这是本文提出的核心见解。即便系统在前期检索到了信息，但在进入生成阶段或后续验证阶段时，由于缺乏统一的内部表示，这些“语义承诺”会变得模糊。例如，验证器发现“勋章错了”，但生成器可能并不知道该修复哪个具体的像素区域或 Prompt 词条。

核心内容：SCOPE 框架的技能编排术

SCOPE 的核心骨架是一个 Decomposer → Synthesizer → Generator → Verifier 的闭环，但其灵魂在于它如何围着“规范（Specification）”转。

1. 结构化语义规范

规范 $z=(E,C,U)$ 包含了：

• E (Entities)：目标实体。
• C (Constraints)：属性、关系、布局约束。
• U (Unresolved)：待解的未知信息。

2. 条件化技能调用

不同于传统的固定流水线，SCOPE 根据规范的状态动态“摇人”：

• Retrieval & Reasoning：如果规范中 $U$ 不为空，则调用搜索 API 或 LLM 推理来补全背景知识。
• Repair：如果验证器反馈某项约束 $C_i$ 失败，系统会根据失败的范围选择“重写 Prompt”、“局部图像编辑”或“整体回炉”。

图 1：SCOPE 架构概览。结构化规范作为共享接口，连接了检索、推理、生成和验证。

实验与结果：Gen-Arena 的极限挑战

为了真正衡量系统的可靠性，作者推出了 Gen-Arena，并设定了极度严苛的指标：EGIP (Entity-Gated Intent Pass Rate)。

• 规则：只有当所有实体全部正确，且基于实体的所有约束（属性、位置、互动）全部满足时，该样本才算 Pass。
• 战绩：
  • 即使是强大的 Nano Banana Pro，在 EGIP 下也仅有 0.21 分。
  • SCOPE 跑出了 0.60 分，直接将 SOTA 门槛拉高了近三倍。

表 1：在 Gen-Arena 上的详细对比。注意 SCOPE 在实体通过率（0.92）和约束通过率（0.83）上的全面领先。

深度洞察：为什么 SCOPE 能赢？

消融实验揭示了一个冷酷的事实：单纯的结构化拆解是不够的。

• 如果只做拆解而不进行技能编排（w/o R&R），性能会跌回 0.22。
• 如果只有检索而没有验证修复（w/o Repair），性能只有 0.42。 这说明：“理解”确保了生成的上限，而“修复”保住了生成的下限。SCOPE 的成功在于它建立了一个能够自洽的闭环系统，让每一步操作都精准地锚定在特定的语义单位上。

总结与展望

SCOPE 证明了在生成式 AI 迈向工业化应用的进程中，外挂的“管理系统”和“逻辑链条”与底层生成模型的参数量同等重要。

局限性：

• 成本与延迟：多次调用 MLLM 和 Generator 导致推理成本大幅上升（最多 3 轮迭代）。
• 验证器依赖：如果 Verifier 本身漏判，修复动作就会变得紊乱。

未来，如何实现更轻量化的“规格引导”生成，以及如何提升多模态验证器的精度，将是该领域值得关注的赛道。