当前，多模态大模型在根据复杂文本提示生成高保真、语义一致的图像方面取得了显著进展，但在处理包含精确空间关系、多对象属性及复杂组合的指令时，仍面临挑战。

针对此，来自香港大学 MMLab、香港中文大学 MMLab 和商汤科技的研究团队，继其先前发布的 Generation Chain-of-Thought (GoT) 框架之后，现推出重要进展 ——GoT-R1。

该新框架通过引入强化学习，显著增强了多模态大模型在视觉生成任务中的语义 - 空间推理能力，使其能够超越预定义模板，自主探索和学习更优的推理策略。GoT 和 GoT-R1 已全面开源。

• GoT arxiv:https://arxiv.org/pdf/2503.10639
• GoT github:https://github.com/rongyaofang/GoT
• GoT-R1 arxiv: https://arxiv.org/pdf/2505.17022
• GoT-R1 github:https://github.com/gogoduan/GoT-R1

GoT 框架首先通过引入显式的语言推理过程，在生成图像前对语义内容和空间布局进行规划，从而提升了生成图像的准确性和可控性 。然而，GoT 的推理能力主要源于基于人工定义模板的监督微调数据，这在一定程度上限制了模型自主发现更优推理策略的潜力，有时可能导致生成的推理链条未能完全忠实于用户复杂的文本提示 。

GoT-R1 的提出，旨在克服上述局限。它将强化学习（RL）创新性地应用于视觉生成的语义 - 空间推理过程，赋予模型自主学习和优化推理路径的能力。

强化学习训练前后GoT预定义推理链与GoT-R1自由探索推理过程对比

GoT：奠定 “先思考后生成” 的基础

理解 GoT-R1 之前，有必要回顾其基础框架 GoT 。传统的文本到图像模型，如 Stable Diffusion，FLUX 等，通常采用直接特征映射的方式，从文本嵌入到视觉特征，缺乏对场景内对象间复杂关系和空间布局的显式推理过程 。这使得它们在面对包含多个实体、精确空间指令和细致属性描述的复杂文本时，生成效果往往未达预期。

GoT 框架旨在应对这一挑战，其核心思想是将 “直接生成” 模式转变为 “先推理规划，后引导生成” 的两阶段过程 。具体而言，GoT 首先将用户输入的文本提示（Prompt）解析并扩展为一个详尽的 “生成思维链”（Generation Chain-of-Thought）。此思维链不仅包含对场景中各个构成元素的语义描述（例如，“一个现代风格的客厅，带有 shabby chic 风格的触感”）和具体物体（例如，“一个华丽的枝形吊灯”，“一个带框的镜子”），还附带了这些物体在图像中的精确空间坐标信息（例如，吊灯位于 (372,0), (613,254)，镜子位于 (157,251), (285,519)） 。随后，这条融合了语义规划与空间布局的思维链将作为精细化指令，指导后续的图像扩散模型进行图像生成，确保最终输出与预先规划高度吻合 。

GoT 框架的实现，依赖于构建的大规模推理链图文对数据集（超过 900 万样本，包括 840 万图像生成样本和 92 万图像编辑样本 ）以及先进的多模态大模型（如 Qwen2.5-VL ）进行推理链的生成。此外，其独创的语义 - 空间指导模块（Semantic-Spatial Guidance Module, SSGM）进一步增强了扩散模型遵循推理链进行精确生成的能力 。

GoT模型：基于MLLM+Diffusion的图片生成与编辑

GoT-R1：通过强化学习精进推理

尽管 GoT 在提升复杂场景生成方面取得了显著成效，但其主要依赖监督学习范式，模型推理能力的提升受限于标注数据的模板和质量 。GoT-R1 则引入了强化学习，旨在突破这一瓶颈，赋予模型更强的自主学习和泛化能力。

GoT-R1 面临的关键挑战之一是为视觉生成任务设计一个全面且有效的奖励（Reward）机制。该机制需要能够准确评估生成结果的多个维度：不仅包括最终图像与文本提示的语义一致性、空间布局的准确性、对象属性的正确绑定以及图像的整体美学质量 ，更重要的是，还需要对中间生成的 “思维链” 本身的质量进行监督，避免出现推理过程存在谬误或与最终图像不一致的情况 。

针对此，GoT-R1 构建了一个基于 MLLM 的双阶段、多维度奖励框架，具体包含：

1. 推理过程评估奖励 (RPR)：

• 语义对齐奖励 (Rsem)：利用 MLLM 评估所生成的 GoT 推理链在语义层面是否完整、是否忠实于原始输入文本，以及是否存在内在逻辑矛盾或表述不清晰等问题 。
• 空间对齐奖励 (Rspa)：此为 GoT-R1 的核心创新点。鉴于多数 LLM 或 MLLM 对于直接处理文本形式的坐标数据并判断其空间关系的能力有限 ，GoT-R1 提出将 GoT 推理链中规划的对象坐标信息，在虚拟的空白画布上渲染为包含具体边界框的可视化图像。随后，将此图像输入 MLLM 进行判断，评估其所展现的空间布局是否与原始文本提示中的空间关系描述（例如 “A 在 B 的左侧”）相符 。这种 “文本坐标 -> 可视化布局 -> MLLM 评估” 的转换，显著提升了空间关系奖励信号的准确性和鲁棒性 。

2. 推理至图像对齐奖励 (RRI)：

旨在确保最终生成的图像能够忠实地执行 GoT 推理链中的规划。具体实现方式是，利用 MLLM 在生成的图像中定位出推理链中规划的每一个对象，并获取其在图像中的实际边界框。然后，通过计算规划边界框与图像中实际边界框之间的交并比（Intersection over Union, IoU），来量化图像对推理链的遵循程度 。

3. 文本提示至图像对齐奖励 (RPI)：

作为最终结果的评估，由 MLLM 从对象、属性、布局等多个维度，综合评价生成的图像与原始输入文本提示的整体一致性与符合度 。

这些精心设计的多维度奖励信号，与高效的组相对策略优化（Group Relative Policy Optimization, GRPO）强化学习算法相结合 ，使得 GoT-R1 模型（例如，基于 Janus-Pro 模型 ）在训练过程中能够主动探索并学习到更优质、更符合复杂指令的推理策略，而不仅仅是重复训练数据中的固定模式。

GoT-R1模型：AR MLLM的强化学习训练示意

惊艳效果：复杂场景生成新 SOTA

GoT-R1 的效果如何？研究团队在极具挑战性的 T2I-CompBench 上进行了全面评估。

GoT-R1在T2I-Compbench下的量化评估

研究团队将其与当前主流的三类模型进行了对比，包括：1) 扩散模型（如 Stable Diffusion 系列、DALLE-3、FLUX.1 等）；2) 布局引导的两阶段模型（如 Ranni、LayoutGPT）；以及 3) 其他先进的自回归模型（如 Emu3、Janus-Pro 等）。

评估结果显示，GoT-R1-7B 模型在该基准测试上确立了新的 SOTA 性能 。其强大之处体现在多个方面：首先，它在 T2I-CompBench 的六个评估类别中的五个（色彩、形状、纹理、非空间属性、复杂组合）取得了最高分 。尤其是在由混合自然语言组合提示构成的 “Complex” 基准测试中，GoT-R1 展现出显著优势，证明了其在处理复杂、多层次指令上的卓越能力 。

更重要的是，该成果清晰地展示了强化学习带来的提升。与仅使用 GoT 数据集进行监督微调的基线模型（Janus-Pro-7B-GoT）相比，经过强化学习优化的 GoT-R1-7B 模型在评估指标上实现了高达 15% 的提升 。例如，在纹理（Texture）和形状（Shape）等类别的保真度上，GoT-R1-7B 相较于 GoT 微调模型取得了大幅度的进步 。这些显著的性能增益，有力地证明了 GoT-R1 通过强化学习引导模型自主优化推理路径的策略，对于解决复杂的组合式图像生成任务是切实有效的。

为了验证强化学习是否真正提升了模型内在的推理能力，而非仅仅优化了最终的图像输出，研究团队还对模型核心的 “思考过程”—— 即 “生成思维链”（Generation Chain-of-Thought）的质量本身进行了深入分析 。为此，团队采用 GPT-4o 作为第三方评估者 ，对 GoT-R1-7B 自主探索生成的推理链与仅经 GoT 监督微调的基线模型（Janus-Pro-7B-GoT）生成的推理链进行了一对一的比较。

评估结果具有压倒性的说服力。GPT-4o 在所有评估类别中均明确地偏好由 GoT-R1 生成的推理链。例如，在对空间关系理解要求极高的 “Spatial” 类别提示中，GoT-R1 获得了 84 票，而基线模型仅获得 16 票 。这一结果强有力地证明，GoT-R1 框架通过强化学习，不仅提升了最终图像的生成质量，更从根本上优化了模型自身的推理能力，使其能够生成更准确、更忠实于用户意图、逻辑更清晰的 “思维链”，而这正是其在复杂组合任务中取得成功的关键所在。

GPT-4o对强化学习前后推理链的一对一比较结果