超越可教之境：在代理式视觉生成中演化知识边界

视觉生成器擅长渲染，却常自信地虚构未知内容。面对无界且长尾的用户请求，固定语料训练导致结构性知识瓶颈。本文构建 SearchGen 数据集与基准，揭示现有生成器在真实世界知识上的严重缺陷。虽然引入搜索工具是自然对策，但盲目搜索会注入噪声。究其根源，在于生成器存在动态演化的知识边界。作者提出“教后搜”协同训练框架以自动发现该边界，即使最小化版本也能产生单调提升，为视觉生成的递归自我改进奠定基础，并发布全套数据与工具以支持相关研究。