当前视觉生成领域正面临一个关键挑战：模型在像素级画质上已接近完美，但在需要逻辑推理的任务中却表现欠佳。例如，当要求开源模型绘制“数独解完后的状态”或“蜡烛燃烧6小时后的样子”时，这些模型往往会出现逻辑错误，或无法将文字指令准确转化为视觉操作，形成难以突破的执行瓶颈。相比之下，Nano Banana、GPT-Image等闭源模型已展现出成熟的推理驱动生成能力，这引发了业界对开源模型技术路径的深入反思。
浙江大学与阿里巴巴联合研究团队提出，问题根源不在于生成器本身的能力不足，而在于缺乏独立的推理核心。他们开发的Unified Thinker系统通过将思考与执行彻底解耦，构建了通用推理框架，使图像生成从“端到端黑盒映射”升级为“模块化思维链规划”。这一创新架构已被ACL 2026会议接收为口头报告成果，标志着视觉生成技术迈入新阶段。
现有多模态生成模型主要受困于两种技术路线：一是追求理解与生成一体化的紧耦合模型，这类设计常导致训练不稳定，且难以同时保证生成质量与逻辑准确性；二是采用通用大语言模型（LLM）作为外部规划器的松耦合模式，但这种方案面临严重的语义-视觉错位问题——LLM生成的合理描述可能因缺乏视觉先验知识而无法被扩散模型执行。研究团队指出，推理不应局限于文本空间的逻辑推演，而必须转化为可执行的视觉计划。
Unified Thinker的核心创新在于构建独立的Thinker模块，该模块不直接参与像素生成，而是作为“大脑”将用户意图分解为分层、结构化的中间表示，为下游生成器提供精准指令。生成器则专注于高精度像素合成，形成“脑手分工”的协作模式。这种解耦设计不仅允许单独升级推理能力，还能实现逻辑模块在不同生成底座（如Qwen-Image、BAGEL等）间的通用迁移。
为确保推理真正落地为视觉结果，研究团队从数据工程层面进行系统性改造。他们构建了包含4万条样本的HieraReason-40K数据集，引入结构化推理轨迹标注，要求模型在生成图像前必须完成“意图拆解→逻辑具体化→视觉转译”的完整思考链路。在图像编辑场景中，团队提出“黄金法则”：禁止在提示词中描述未修改区域，有效减少了扩散模型的语义漂移现象，使生成过程更聚焦于目标区域。
优化阶段采用创新双阶段强化学习方案：在推理导向RL阶段，Thinker生成的多条推理路径由生成图像的视觉质量直接评分反馈，迫使模型学习生成视觉可执行的指令；在生成导向RL阶段，通过随机采样提升生成器对复杂指令的保真度。这种双向反馈机制实现了推理与生成的深度协同，显著提升了模型对时间演化（如物体陈旧化过程）和复杂空间定位任务的执行能力。
实验数据显示，Unified Thinker在推理型图像编辑基准测试RISEBench和知识密集型文生图任务WiseBench中表现突出，其指令遵循能力已接近闭源模型水平。更关键的是，该架构展现出强大的泛化性：作为即插即用的推理核心，Thinker模块可无缝迁移至未参与训练的生成底座，有效提升其逻辑执行准确度。这种模块化设计为构建自主决策型生成式智能体提供了可行架构，标志着视觉生成技术从概率拟合向逻辑导向的重要转型。
