Stride框架：多智能体进化式信息图生成新范式

信息图（Infographic）生成一直是文生图模型的硬骨头。一张合格的信息图需要同时满足视觉布局、文字内容、语义逻辑等多重约束——任何一个维度出错，整张图就"崩"了。研究团队提出的 Stride 框架，用一套"规模感知"的多智能体进化策略，正面回应了这一难题，并在多项基准测试上超越了闭源商业系统。

信息图生成的核心矛盾：局部与全局的尺度错配

现有的迭代式智能体精修方法通常依赖一个多模态验证器（verifier）来反复检查并修正生成结果。思路本身没问题，但实践中遇到了一个尖锐的"尺度错配"问题：

• 局部编辑无法修正全局性的构图错误。比如整体版式比例失衡，靠修补某个局部区域是解决不了的。
• 整图重生成虽然能重做构图，却可能破坏那些本已正确的区域，造成"按下葫芦浮起瓢"的反复横跳。

换句话说，修改的"颗粒度"与错误的"颗粒度"必须匹配。这正是 Stride 要解决的核心痛点——让精修操作的尺度与问题的尺度对齐。

Stride 的设计思路：把"评估"与"定位"分开

Stride 是一个基于约束（constraint-grounded）的多智能体框架。它的一个关键设计，是将两件事明确拆分：

约束评估 vs. 视觉定位

• 约束评估（constraint evaluation）：判断每一条需求是否被满足。这是一个"是/否"层面的判断。
• 视觉定位（visual grounding）：找出违反约束的具体位置和方式，即"哪里错了、怎么错的"。

这种解耦让系统既知道"什么没达标"，也知道"问题出在哪"，从而能做出更精准的修正决策。

约束评估在实现上通常借助多模态大模型（MLLM）对照用户需求清单逐条打分，输出结构化的满足/未满足判断；而视觉定位则需要模型在图像坐标空间内圈定违规区域，例如指出"右下角的柱状图标签文字与背景色对比度不足"。将两者解耦的好处在于：评估阶段只需要推理能力，不必关心像素位置；定位阶段则可以专门调用具备更强空间感知能力的视觉模型，从而避免让一个模型同时承担逻辑判断与空间推理两种截然不同的任务，降低了每个环节的错误率。

分工路由：Composer 与 Retoucher

在明确问题性质后，Stride 会把修正任务路由给两类子智能体：

• Composer（构图子智能体）：负责全局性的修订，处理整体布局、构图层面的问题。
• Retoucher（修补子智能体）：负责局部修正，精修细节而不动大局。

这种"大改交给 Composer、小修交给 Retoucher"的分工，正是"规模感知路由"（scale-aware routing）的体现——它直接化解了前文提到的尺度错配难题。

让迭代稳定收敛的三个关键机制

随机性生成器和不完美的验证器，意味着任何单一步骤都不可靠。Stride 通过三者组合来保证迭代过程的稳定提升：

规模感知路由

如上所述，根据错误的尺度选择全局或局部修正路径，避免用错工具解决错误层级的问题。

每步冗余（per-step redundancy）

每个子智能体在内部先进行规划，并生成多个候选结果，而不是只赌一次。多候选策略抵消了随机生成带来的不确定性。

这一机制的理论基础来自"最佳-of-N 采样"（Best-of-N Sampling）思想：在推理或生成任务中，对同一输入并行采样 N 个输出，再由评分器选出最优结果，可以在不改变模型权重的前提下显著提升质量上限。Stride 将该思想移植到迭代精修流程中，使每次迭代本身也具备一定的鲁棒性——即便单次生成因随机种子或模型幻觉而产生低质量输出，冗余候选集合中依然大概率包含可接受的结果。这种设计也意味着计算开销会随候选数量线性增长，在实际部署时需要在质量与推理成本之间做权衡。

单调接受（monotonic acceptance）

Stride 只在候选结果提升了验证器分数时才接受它。这一机制从根本上减少了跨迭代的"回退"（regression），确保每一步都是朝好的方向走。

三者缺一不可：正是"规模感知路由 + 每步冗余 + 单调接受"的组合，才让系统在不可靠的单步基础上，实现了跨迭代的稳定改进。值得一提的是，Stride 将对任意冻结生成器（frozen generator）的精修，统一看作一种"历史感知的进化策略"——它不改动底层生成模型，而是在外层做智能调度。

实测表现：开源系统反超闭源商业方案

Stride 最具说服力的地方在于：它使用的是完全开放权重的生成器-验证器系统，却在多个基准上击败了闭源商业系统。

• 在 BizGenEval 上，超越了 Nano-Banana-2.0 和 Seedream-5.0-Pro 等专有系统；
• 在 IGenBench 上，追平 GPT-Image-2.0，并超过 Seedream-5.0-Pro；
• 在 WISE 基准上，取得了新的 state-of-the-art 成绩；
• 在所有评测基准上，均大幅领先于现有的智能体精修方法。

对于关注可控性与可复现性的开发者和研究者而言，这组结果意义重大：它表明在信息图这类高约束生成任务上，精巧的智能体调度策略可以弥补甚至超越底层模型的差距，而不必依赖闭源黑盒。

BizGenEval、IGenBench 和 WISE 是当前信息图与富文本图像生成领域的主流评测基准，各有侧重：BizGenEval 聚焦商业图表与业务可视化场景；IGenBench 覆盖更广泛的信息图类型，强调文字准确性与布局合理性；WISE 则综合评估视觉美观度、信息完整性和语义一致性等多个维度。Nano-Banana-2.0 和 Seedream-5.0-Pro 均为闭源商业文生图服务，GPT-Image-2.0 则是 OpenAI 的专有图像生成模型。Stride 能在这些基准上与之竞争，说明智能体调度层面的设计增益已足以弥补开源基础模型与商业模型之间的能力差距。

对行业的启示

Stride 的价值不只在于刷榜。它提供了一个值得借鉴的范式：当单一大模型难以一次性满足复杂多约束任务时，与其盲目追求更强的生成器，不如在"评估—定位—分级修正—稳定接受"的闭环上下功夫。这种"把精修当进化"的思路，对高约束的视觉生成任务（海报、图表、UI 设计稿等）都具有迁移潜力。

当然，该方法仍依赖验证器的质量——验证器的盲区会直接成为系统的盲区。但通过多候选和单调接受机制，Stride 已经在很大程度上缓解了单步不可靠的风险，为开源生成系统提供了一条切实可行的进阶路径。