图像生成智能体不再只试错：失败经验经反事实复核后写入技能库，GenEval2 达 86.1
核心概要
图像生成的智能体框架此前多为只读的生成—校验—改写循环，修复经验被丢弃，或未经把关就写入技能库。VEvo-Harness 把失败判定展开成层级验证树以定位根因，再用反事实双路图像重放只接纳因果有效的技能补丁，并按工作、经验、模式三层管理记忆。在 Qwen-Image-2512 后端上，它在 GenEval2 达到 86.1，比 GenRouter 高 14.5 个百分点，同时保持持续演化。
深度剖析
图像生成的智能体框架被改造成一个会持续积累修复经验、并带因果把关的运行时，而不是每次任务结束就清空的控制流程。 此前的智能体生成管线停留在浅层的生成—校验—改写循环，把视觉语言模型的判断当作粗粒度反馈，要么丢弃修复经验，要么不加把关地更新而污染技能库。 在 Qwen-Image-2512 后端上，VEvo-Harness 在 GenEval2 达到 86.1，比 GenRouter 高 14.5 个百分点；在 Z-Image-Turbo 后端上平均分为 76.28，在 Qwen-Image-2512 上为 77.59，均为两个后端中的最佳平均表现。
失败不再只得到一个通过或不通过的布尔判定，而是被展开成可定位的根因，修复动作再按根因分派到不同干预手段。 视觉评判只给出粗粒度的二值反馈，无法指出空间错位或属性绑定错误出在哪里，单一路径的提示改写又把所有失败都归因于提示不匹配。 层级验证树只在判定失败时惰性展开子问题，把所有失败约束的子问题并行评估，使诊断开销限制在一轮并行的视觉语言模型调用内；消融中完整配置在平均分 84.38、6.2 次调用、38.4 秒延迟上同时是最准、最省、最快的变体。
技能补丁在进入技能库前要经过反事实双路重放的因果检验，只有估计效果为正的补丁才被接纳。 按文本层成功率更新框架会带来框架级幻觉，即文本上合理的编辑反而降低视觉保真度；不做因果把关时，被接纳的有害补丁比例在 100 个回合内约为 33% 至 40%。 完整视觉持续治理在 100 个回合内把有害补丁接纳率降到约 2%；去掉否决变更缓冲区或成功保持后分别回升到 10% 和 8%。
持久记忆按工作、经验、模式三层组织，反复出现的失败模式被蒸馏为渲染前注入的预防策略。 扁平的情节缓冲迁移能力有限，只追加的技能登记表则会退化；去掉持久记忆使 GenEval2 与 KRIS 分别下降 6.7% 和 6.2%。 在流式任务上，滚动平均 GenEval2 分数从 63.2 升到 86.5；没有视觉持续治理时，增益在中途约 78 的峰值后跌至约 71.5。
启示与展望
演示范围是围绕冻结生成器的智能体框架：在 Z-Image-Turbo 与 Qwen-Image-2512 两个后端上，用 Qwen3.5-27B 作推理后端、最多 5 轮框架迭代，评测覆盖五个通用生成基准、四个下游任务与四个编辑基准。
作者把无因果把关时的增益崩塌归因于未验证更新污染技能库，这一解释来自接纳率曲线与消融的对照，而非独立的因果实验。跨后端的提升在相同配置下报告，但评测仍限于所列基准与后端组合。