大语言模型是视觉生成的通用推理器

文本到图像生成虽已统一架构，但系统在合成复杂提示时仍常失败，尽管其验证能力准确。本文将此形式化为“理解 - 生成差距”，并提出 UniReasoner 框架，利用大语言模型作为通用推理器，将其理解优势转化为直接生成指导。该方法先生成粗略视觉草稿，再进行自我批判以产生基于事实的文本评估，指出需修正之处。最终，扩散模型联合条件于提示、草稿及评估，确保生成过程由明确的修正信号引导，显著提升了组合对齐与语义忠实度。