知识卡片：搜索超越可教边界——智能体视觉生成中的知识边界演化

英文标题： Search Beyond What Can Be Taught: Evolving the Knowledge Boundary in Agentic Visual Generation

英文关键词： Agentic Visual Generation; Knowledge Boundary; Co-training; World-Knowledge Bottleneck; SearchGen-Bench; Teach-then-Search

一句话结论： 现有视觉生成模型在面对开放世界中的长尾知识（如新角色、后截止事件）时会自信地产生幻觉；通过“先教授、后搜索”的协同训练框架可以动态发现并扩展模型的知识边界，实现单调提升，为工具增强的视觉生成奠定基础。

事件概述或研究问题： 用户需求是无限的、演化的且具有深度的长尾性，而视觉生成器只能基于固定训练语料工作，导致对训练语料之外的世界知识产生虚构（幻觉）。研究将这一问题定义为“世界知识瓶颈”，并认为其结构性的根源在于生成器内部化（通过训练掌握）的知识与需依赖外部上下文的知识之间的边界（即“知识边界”）是动态且难以预先指定的。该工作构建了SearchGen-20K数据集和SearchGen-Bench基准（含20,839条提示，覆盖12类失败模式、22个领域）以及预执行的多模态SearchGen-Corpus-1M语料库，以支持可复现的研究。

方法/产品要点：

• 构建大规模评测基准SearchGen-Bench，包括20,839条提示，覆盖12类失败模式和22个领域，以及配套的1M多模态语料库。
• 测试发现当前顶尖开放视觉生成器在SearchGen-Bench上仅获得21-28分（满分100），相比现有基准存在约40分的性能坍缩。
• 提出**“先教授、后搜索”（teach-then-search）协同训练框架**：先让生成器通过训练内化知识，再结合搜索工具补充外部知识；该框架可以发现模型特定的、演化的知识边界，即使最简版本也能实现单调改进。
• 开源完整数据集、协同训练语料和搜索语料，作为可重放的工具增强工具集。

主要结果或产业意义：

• 现有基准无法暴露的“40分坍缩”在SearchGen-Bench上被清晰揭示，说明现有评测对长尾知识能力的评估严重不足。
• 最简单的“先教授、后搜索”协同训练已能产生单调提升，为递归式自我改进提供了基础，能应对世界知识驱动的视觉生成需求。
• 产业应用：可用于生成新角色、热点实体、后截止事件等需要持续更新知识的场景，减少幻觉，提升生成结果的可靠性和时效性。

为什么重要： 视觉生成模型在渲染能力上已很出色，但世界知识瓶颈是其实际部署的核心障碍。该工作首次系统性地定义、评测并提出解决方案，揭示了“知识边界”的演化特性，打破了传统“训练固定、检索万能”的简单假设，为未来智能体视觉生成系统指出了关键方向。

局限与不确定性：

• 知识边界虽然可通过协同训练“发现”，但其理论表征（如具体算法如何精确划分内部化知识与外部上下文）仍在初步阶段。
• 当前实验仅验证了最小版本的协同训练，更大规模的递归自改进效果有待进一步验证。
• 数据集和语料库的覆盖范围（22个领域）是否足以代表真实世界无限的长尾分布，待核实。
• 该框架对不同模型架构和规模（如更大参数量的闭源模型）的迁移效果，待核实。

可用于图书/PPT/简报的角度：

• “AI幻觉的元凶：为什么画一个‘2025年诺贝尔奖得主’会出错？”——从用户端的长尾需求出发，引出知识边界概念。
• “评测基准的盲区：当模型在自测中拿99分，实际却只有21分”——展示SearchGen-Bench的40分坍缩数据。
• “教与搜的辩证法：先教什么，再搜什么？”——介绍teach-then-search协同训练的设计思路。
• “智能体视觉生成的下一站：递归自改进”——展望该框架对AI持续学习能力的启发。

原始材料：

• URL: https://arxiv.org/abs/2607.05382v1
• arXiv ID: 2607.05382v1
• 作者：Haozhe Wang, Weijia Feng, Jinpeng Yu, Che Liu, Ping Nie, Fangzhen Lin, Jiaming Liu, Ruihua Huang, Jimmy Lin, Wenhu Chen, Cong Wei
• 发布日期：2026-07-06
• 摘要全文：见上述“事件概述”及“方法/产品要点”部分。