Gen-Searcher

Gen-Searcher är ett forskningsprojekt som tränar en multimodal "deep research"-agent för bildgenerering. Vanliga bildmodeller vet bara det de lärde sig under träningen och gissar därför ofta fel när en bild kräver aktuell eller specifik kunskap om verkligheten, som nyheter, kändisar, spelfigurer, animefigurer eller geografiska platser. Gen-Searcher söker i stället på webben, läser källor, resonerar över flera av dem och letar visuella referensbilder innan den skickar en utförlig instruktion och referenser vidare till en bildgenerator.

Agenten bygger på Qwen3-VL-8B-Instruct och har tränats i två steg, först med övervakad finjustering och sedan med förstärkningsinlärning (därav "Reinforcing" i titeln). Forskarna har byggt två egna träningsdataset, Gen-Searcher-SFT-10k och Gen-Searcher-RL-6k, och ett nytt test, KnowGen, som täcker omkring 20 kategorier av kunskapskrävande bildgenerering.

Enligt forskarna ger metoden mer än 15 poängs förbättring på testerna KnowGen och WISE. Med Qwen-Image som bildgenerator förbättras KnowGen-resultatet med omkring 16 poäng, och agenten fungerar utan extra träning även med andra bildgeneratorer: omkring 16 poäng bättre med Seedream 4.5 och omkring 3 poäng bättre med Nano Banana Pro.

Kod, modeller, data och testet är släppta. Arbetet kommer från MMLab vid The Chinese University of Hong Kong (CUHK), tillsammans med forskare från UCLA och UC Berkeley.