技术摘要：DataEvolver

问题陈述

富文本图像生成仍然是多模态 AI 面临的一个重大挑战，要求模型能够同时生成视觉逼真、文本清晰可辨且语义与布局一致的图像。目前的数据构建流水线主要遵循静态的**“采集—过滤—冻结”（crawl–filter–freeze）**范式。在这种工作流中，候选样本被收集，基于固定规则进行一次性过滤，随后被接受的数据被冻结用于训练。至关重要的是，被拒绝的样本被直接丢弃了，尽管它们通常包含有价值的诊断信号，例如 OCR 错误、语义不匹配或反复出现的布局失败。因此，后续的构建轮次经常重复相同的失败模式，因为系统缺乏一种从这些拒绝案例中学习的机制。核心问题在于如何将这些被丢弃的失败案例转化为可操作的反馈，从而迭代地改进数据构建策略本身，而不是将其视为无用的副产品。

方法论：DataEvolver 框架

作者提出了 DataEvolver，这是一个自进化的多智能体框架，它将数据构建重新定义为一个反馈驱动的策略演化过程。DataEvolver 不是一个单次的流水线，而是一个涉及四个协作智能体的闭环系统：

1. 检索器 (Retriever)： 在受策略约束的查询空间内运行。它生成针对特定主题和子主题的结构化查询模板，并根据之前的反馈进行动态调整，以确保覆盖范围和多样性。它从外部来源收集候选图像。
2. 验证器 (Verifier)： 一个固定的验证模块，用于评估候选池。它应用多维度的质量评估（感知图像质量、通过 OCR 进行的文本识别以及语义一致性），将样本分为通过集和拒绝集。至关重要的是，它将拒绝原因（如模糊、重复、OCR 失败）聚合为结构化的反馈信号。
3. 评论家 (Critic)： 该智能体将轮次级的反馈和拒绝模式提炼为自然语言语义反馈。它分析统计数据（通过率、OCR 质量、拒绝分布）以识别主要的失败模式、覆盖不足的主题以及无效的查询模板。随后，评论家通过生成关于查询多样化、提示词优化和经验记忆更新的指令来更新构建策略。
4. 生成器 (Generator)： 为了解决仅靠检索无法填补的覆盖缺口（例如罕见主题或复杂布局），生成器执行针对性的合成补全。它识别代表性不足的主题-子主题对，并专门针对这些区域合成新的候选样本。这些合成样本需经过相同的验证过程，其失败情况会被反馈给评论家，用于进一步的提示词优化。

该系统维护着一个经验库 (Experience Library)，用于存储高价值的语义反馈和有效的查询模式，使框架能够在复用成功策略的同时，避免冗余的记忆累积。整个过程在自然语言空间内更新构建策略（检索查询、生成提示词和经验记忆），而不更新底层模型的参数。

核心贡献

本文概述了三个主要贡献：

• 一种关注失败的数据构建视角： 作者将富文本图像数据构建重新定义为一个迭代的策略优化过程。他们认为，被拒绝的样本应被视为可重复利用的诊断证据，用于改进构建过程，而非作为被丢弃的过滤副产品。
• 一个自进化的多智能体框架： 引入了 DataEvolver，这是一个将轮次级验证结果转化为可重用语义反馈的闭环系统。这使得构建策略能够根据观察到的失败模式进行动态调整。
• 多尺度评估： 在 TextScenesHQ 和 LongTextBench 上进行了匹配数据预算下的全面评估。研究表明，该框架带来的收益并不局限于单一的下游生成器，在不同模型上均表现出一致的提升。

实验结果

通过使用 DataEvolver 构建的数据对下游富文本图像生成器（PixArt-α 和 Show-o2）进行微调，并在匹配数据预算的情况下与强基准模型（MARIO-10M 和 AnyWord-3M）进行对比，对该框架进行了评估。

• 性能增益： 在 PixArt-α 的 0.75M 规模下，与最强基准相比，DataEvolver 在 TextScenesHQ 上的 OCR-F1 分数提升了 85.3%（从 4.56 升至 8.45），在 LongTextBench 上提升了 35.3%（从 6.71 升至 9.08）。在 Show-o2 上也观察到了类似的趋势。
• 指标特异性： 改进在面向 OCR 的指标（准确率、召回率和 F1）上最为显著，表明文本渲染和易读性得到了改善。虽然 CLIP 分数（语义对齐）表现各异，但 DataEvolver 在文本覆盖度和可识别性方面始终保持最高水平。
• 消融实验： 去除评论家 (Critic) 导致性能下降最为显著，证实了将拒绝原因转化为策略级反馈的重要性。去除生成器 (Generator) 也会导致性能下降，凸显了针对性合成补全对于长尾覆盖的必要性。
• 缩放趋势： 随着数据预算从 0.1M 增加到 0.75M，DataEvolver 始终优于固定基准，表明该框架能随数据量有效扩展。
• 过程分析： 构建阶段的统计数据显示，即使在下游训练之前，DataEvolver 生成的样本就已具有更高的 OCR 置信度和更好的主题覆盖度。拒绝原因的分布随时间而演变，较容易出现的失败（如重复）逐渐减少，从而在后期轮次中集中处理更难的残留问题。

重要性与主张

论文声称，DataEvolver 证明了被拒绝的样本包含了用于改进富文本图像数据构建的可操作反馈。通过将数据集构建视为一个自适应过程而非固定的预处理步骤，该框架成功地将构建时的失败转化为了语义层面的策略更新。

作者强调，这些收益在不同的下游生成器（PixArt-α 和 Show-o2）之间具有泛化性，而不仅仅是特定模型架构的产物。这项工作表明，“采集—过滤—冻结”范式对于像富文本图像生成这样复杂的任务而言是次优的，而反馈驱动的策略演化可以在相同的资源约束下产生更高质量的训练数据。

论文也谦虚地指出了局限性，承认由于数据点有限，观察到的缩放趋势应被视为趋势而非严格的缩放法则。此外，它还指出该框架依赖于验证器（OCR 和语义评分）的可靠性，并且目前主要侧重于富文本图像生成，将其余多模态应用作为未来的研究方向。