核心观点 - 提出T2I-R1模型，基于双层次CoT推理框架（Semantic-CoT和Token-CoT）与强化学习，显著提升文本生成图像的质量和语义对齐 [1][3][9] - 首次将思维链（CoT）推理策略应用于自回归图片生成领域，解决跨模态对齐和细粒度视觉细节生成问题 [1][7] - 通过BiCoT-GRPO强化学习方法联合优化Semantic-CoT和Token-CoT，利用多专家模型集成作为奖励机制提升生成效果 [11][12] 方法架构 Semantic-CoT - 在图像生成前进行文本推理，设计全局结构（如对象外观和位置），显式规划Prompt以降低生成难度 [7][9] - 示例：生成冰屋时推理其"空气动力学穹顶形状""光滑半透明表面""入口斜坡隧道"等语义细节 [6][14] Token-CoT - 在离散空间中逐块生成图像Token，专注于底层像素细节和视觉连贯性 [7] - 与文本CoT类似，基于先前Token输出后续Token，维持相邻Patch的一致性 [7] 技术突破 - 统一理解与生成能力：基于ULM（Janus-Pro）框架整合双层次CoT，避免独立模型带来的计算成本增加 [8][9] - 奖励机制创新：集成多专家模型（如目标检测器、VQA模型）从提示对齐、美学吸引力、对象存在性等维度综合评估 [12] 性能表现 - 定量结果：在T2I-CompBench和WISE Benchmark上分别比基线模型提升13%和19%，部分子任务超越FLUX-1 [16] - 定性优势：处理非常规场景（如"火车底部的小猪"）时展现更强鲁棒性，生成结果更符合人类意图 [13][14]