# 视觉文本渲染

研究者构建了 VTR-Bench 基准，把广告、科学、用户界面、文化、日常生活五类场景中的指定文本与承载物写入 300 条提示（共 1202 个文本块），用载体特定转写计算词错误率（WER）、用每题 20 问的链式查询计算 Video Score，并配套提出由 Director 智能体协调图像生成、运动规划与视觉反馈的关键帧引导智能体框架；在 11 个最先进模型上评测发现场景文本渲染普遍困难，最佳模型整体 WER 为 0.250，而该框架在 Minimax H3 上把整体 WER 从 0.4468 降到 0.3015（相对下降 32.5%）并提升 Video Score。

研究者构建了 VTR-Bench 基准，把广告、科学、用户界面、文化、日常生活五类场景中的指定文本与承载物写入 300 条提示（共 1202 个文本块），用载体特定转写计算词错误率（WER）、用每题 20 问的链式查询计算 Video Score，并配套提出由 Director 智能体协调图像生成、运动规划与视觉反馈的关键帧引导智能体框架；在 11 个最先进模型上评测发现场景文本渲染普遍困难，最佳模型整体 WER 为 0.250，而该框架在 Minimax H3 上把整体 WER 从 0.4468 降到 0.3015（相对下降 32.5%）并提升 Video Score。

该工作提出IDSpect：先用Unicode 16.0 BabelStone词典把目标汉字递归拆解为表意文字描述序列（IDS）令牌，再训练一个基于SVTRv2与NRTR解码器的专家IDS识别器，把生成图像中的文字区域直接转写为IDS序列，通过全局唯一令牌信用的令牌级F1与整字语义奖励加权融合，在GRPO后训练Qwen-Image时不改动生成器、不增加推理开销，在LongText与GenTextEval上取得领先的结构质量与语义对齐。

该工作提出IDSpect：先用Unicode 16.0 BabelStone词典把目标汉字递归拆解为表意文字描述序列（IDS）令牌，再训练一个基于SVTRv2与NRTR解码器的专家IDS识别器，把生成图像中的文字区域直接转写为IDS序列，通过全局唯一令牌信用的令牌级F1与整字语义奖励加权融合，在GRPO后训练Qwen-Image时不改动生成器、不增加推理开销，在LongText与GenTextEval上取得领先的结构质量与语义对齐。