FaV-A 用分阶段多模态智能体生成正负空间构图，实验与消融显示其优于直接零样本 MLLM 基线

提出 FaV-A，一个专为正负空间构图设计的分阶段多模态智能体，采用渐进式工作流：先生成基础物体，再分析其形状与空间结构以识别候选负空间语义，最后产出构图指令驱动最终图像生成。 既有文本到图像模型与多模态大语言模型在图像生成与视觉理解上表现强劲，但正负空间生成仍具挑战，尤其在直接单次提示（single-pass prompting）下；FaV-A 将这一任务拆解为可协调的多阶段流程，而非依赖单次提示。 摘要报告了实验与消融分析，并称 FaV-A 相比直接零样本 MLLM 基线能产生更连贯、语义更对齐的正负空间构图；具体样本量、指标与数值未在加载文本中给出。

正负空间被视为视觉构图的基本原则，支撑视觉连贯的形式与分层的语义关系，其难点在于需要对共享同一边界的两个语义概念进行协调控制。 把正负空间生成明确刻画为共享边界下的双语义协调控制问题，为分阶段智能体设计提供了任务动机。 该表述来自摘要对问题性质的界定，属于概念性论述，未附具体量化证据。

消融分析被用于支撑分阶段设计的有效性判断。 通过消融对比，将整体效果与直接零样本 MLLM 基线区分开来，指向分阶段流程本身的贡献。 摘要仅说明开展了消融分析并给出方向性结论，未列出消融的具体配置、对照条件或数值结果。

该工作面向正负空间构图这一具体视觉生成任务，适用于需要协调共享边界的两个语义概念、且单次提示难以奏效的场景；其分阶段流程（先生成基础物体、再分析形状与空间结构、最后生成构图指令）为后续把多语义协调拆解为可检查步骤提供了可借鉴的框架。对读者而言，这意味着在遇到“形式与留白需同时成立”的生成需求时，可考虑以智能体分阶段替代单次提示。

加载文本未给出实验的样本量、评价指标、具体数值与消融配置，因此无法判断效果提升的幅度与稳健性；正负空间语义的候选识别在何种条件下会失效、分阶段流程的额外计算成本如何，也仍是开放问题。若读者关注可复现细节，需以原文的图表与实验设置为准。