这项由香港科技大学、香港理工大学、香港城市大学和复旦大学联合开展的研究发表于2025年9月，论文编号为arXiv:2509.26376v1。有兴趣深入了解的读者可以通过该编号查询完整论文内容。

如果把AI画画比作一个学习绘画的学生，那么传统的方法就像是让这个学生埋头苦画，直到全部完成才知道画得好不好。而香港科技大学团队开发的ScalingAR系统，则像是给这个学生配了一位经验丰富的老师，能够在绘画过程中随时观察学生的状态，及时指导调整，甚至在发现某幅画注定失败时果断叫停，重新开始。

想象一下这样的场景：当你在画一幅风景画时，如果能有一位老师站在旁边，看到你在某个细节上犹豫不决、下笔不够自信时，就提醒你"这里需要更仔细一些"；当发现你整体构图出现问题时，就建议你重新开始。ScalingAR正是为AI图像生成系统扮演了这样一位"智慧导师"的角色。

在当今的AI图像生成领域，研究人员面临着一个有趣的矛盾：一方面，像GPT这样的大语言模型通过"测试时扩展"技术在推理任务上取得了令人瞩目的成果，就像给学生更多时间思考就能答出更好的题目一样；另一方面，当这种思路应用到图像生成时，却遭遇了重重障碍。原因很简单：文本可以写一半就停下来检查，而图像则需要完整生成才能判断质量好坏，就像你不可能通过看一幅画的前半部分就准确判断整幅画的艺术价值。

ScalingAR的突破性在于，它首次在图像生成过程中引入了"信心评估"的概念。这个系统能够在AI画画的每一个步骤中，实时感知AI的"内心状态"——它对当前绘画进展是否有信心，是否正朝着正确的方向前进。更重要的是，它能够根据这些信心指标做出智能决策：继续当前的绘画路径，调整绘画策略，或者干脆放弃重来。

这项研究的核心创新体现在两个层面。首先是"双通道信心画像"系统，它像一个具备双重视觉的观察者，一只眼睛观察AI绘画时的技术稳定性（比如线条是否流畅、色彩是否协调），另一只眼睛则检查AI是否真正理解了用户的绘画要求（比如要求画一朵红玫瑰，AI是否真的在朝着这个目标努力）。其次是"信心指导策略"，它根据前面收集的信心信息，智能地决定何时停止一个注定失败的绘画尝试，何时调整绘画的引导强度。

研究团队在两个重要的测试平台上验证了ScalingAR的效果。在Geneval基准测试中，这个系统将基础模型的表现提升了12.5%，在TIIF-Bench测试中更是达到了15.2%的提升。更令人印象深刻的是，在实现这些质量提升的同时，ScalingAR还将计算资源的消耗降低了62%，就像一位高效的厨师，不仅做出了更美味的菜肴，还节省了更多的食材。

在面对特别具有挑战性的"不可能任务"时，比如要求AI画出"羊毛像棉花云一样膨胀，让羊的身体像气球一样飞起来"这种现实中不存在的场景，ScalingAR表现出了远超传统方法的鲁棒性，将性能下降幅度减少了26%。这就像是给AI配备了更强的想象力和应变能力。

一、解决什么问题：AI画画的"信心危机"

当前AI图像生成面临的核心问题，可以用一个简单的比喻来理解：传统的AI画画就像是蒙着眼睛画画，只能一路画到底，直到完成后才知道结果如何。这种"盲画"模式存在三个根本性问题。

第一个问题是"整体性困境"。如果你正在写一篇文章，写到一半发现思路不对，可以停下来重新组织语言，之前写的部分仍然有参考价值。但是画画就不同了：如果一幅画画到一半发现构图有问题，前面的努力基本就白费了，必须从头开始。AI图像生成也面临同样的困境——无法在中途有效评估和调整。

第二个问题是"目标模糊化"。在文本生成中，通常有明确的正确答案可以验证，比如数学题的答案要么对要么错。但图像生成的评价标准相对主观，同一个描述可以对应多种正确的视觉表现。这就像是老师给学生布置作业说"画一朵漂亮的花"，但什么算"漂亮"却没有标准答案。

第三个问题是"早期信号稀缺"。在文本生成过程中，即使只看前几个词，我们也能大致判断这个回答的方向是否正确。但在图像生成中，看到前几个像素点或者图像的某个小区域，很难预测最终整幅图像的质量。这就像是通过看一幅画的一个角落，几乎不可能预测整幅画的艺术价值。

为了解决这些问题，之前有研究者尝试了一种叫做"下一尺度预测"的方法，就像是先画一个粗糙的草图，再逐步添加细节。这种方法虽然可以在中途进行评估，但需要频繁地将未完成的图像转换成可视的形式进行检查，这个过程不仅计算量大，还需要额外的"评判员"模型来打分，就像是每画几笔就要请专家来评价一次，效率很低。

ScalingAR的创新之处在于，它不再依赖这种笨重的"外部评判"模式，而是让AI学会"自我感知"。就像是培养画家的直觉一样，让AI在绘画过程中就能感受到自己的状态：当前的绘画是否顺利，是否偏离了预期目标，是否应该调整策略。这种内在的"信心感知"能力，让AI可以在不中断绘画流程的情况下，实时评估和调整自己的表现。

这种革命性的改变，就像是从"盲人摸象"变成了"明眼观察"。AI不再是机械地按照程序画画，而是像一个有经验的画家一样，能够在创作过程中保持清醒的自我意识和判断能力。当感觉到当前的绘画方向不对时，可以及时调整；当发现某次尝试注定失败时，可以果断停止并重新开始。

更重要的是，这种方法不需要额外的"外援"——不需要额外的评判模型，不需要频繁的中途检查，所有的智慧都来自AI自身的"内在感知"。这不仅提高了效率，还让整个绘画过程变得更加自然和流畅，就像是真正的艺术创作一样。

二、双通道信心画像：AI的"内心读取器"

ScalingAR的核心创新是一套名为"双通道信心画像"的系统，它就像给AI安装了一个精密的"内心情感检测器"，能够实时读取AI在画画过程中的"情绪状态"和"专注程度"。

这个系统的工作原理可以这样理解：当一个画家在创作时，有经验的老师可以通过观察画家的表现来判断他的状态。如果画家下笔犹豫、反复修改，说明他对当前的绘画缺乏信心；如果画家画着画着开始偏离主题，说明他可能没有很好地理解绘画要求。ScalingAR正是模拟了这种"观察和判断"的过程，但它观察的不是外在的行为，而是AI内部的计算状态。

第一个通道被称为"内在通道"，它专门监测AI绘画时的技术稳定性。这就像是观察一个画家的基本功是否扎实。具体来说，这个通道会分析AI在每一步绘画中的"犹豫程度"——当AI需要选择下一个像素点的颜色时，如果它在多种选择之间摇摆不定，权重分散，就说明AI对当前的绘画方向缺乏把握。相反，如果AI能够非常确定地选择某种颜色，权重集中，就表明它对当前的绘画很有信心。

为了更准确地捕捉这种"犹豫程度"，研究团队设计了一个巧妙的指标组合。他们不仅看AI的整体不确定性，还特别关注AI在"最佳选择"和"次佳选择"之间的差距。如果这个差距很大，说明AI很确定自己的选择；如果差距很小，说明AI在两个选项之间犹豫不决。这种细致的分析就像是心理医生观察病人的微表情一样，能够发现常人注意不到的细微变化。

除了监测单个像素点的决策质量，内在通道还会进行"空间稳定性分析"。研究团队发现，当AI的绘画开始出现问题时，通常不是整体崩溃，而是在某些局部区域首先出现"混乱热点"——就像是一张画中某个角落开始变得模糊不清，虽然看起来不起眼，但往往预示着整幅画的问题。为了捕捉这种早期预警信号，系统会将整个画布分成小方块，监测每个方块的"混乱程度"，特别关注那些"最混乱"的区域。

第二个通道被称为"条件通道"，它的作用是确保AI真正理解并遵循用户的绘画要求。这就像是检查学生是否真的在按照老师的要求完成作业，而不是在做无关的事情。

这个通道的工作原理基于一个简单但深刻的观察：当AI真正理解用户的描述并努力实现时，它在"有指导"和"无指导"状态下的表现应该有明显差异。就像是一个学生在老师指导下画画和独自发挥时会有不同的表现一样。如果AI在有文字描述指导时和没有指导时画出了几乎相同的东西，说明它根本没有理解或者没有采纳用户的要求。

为了量化这种差异，研究团队使用了一种叫做"KL散度"的数学工具，它能够精确测量两种状态下AI决策分布的差异程度。当这个差异很大时，说明文字描述对AI的绘画产生了显著影响，AI正在认真"听取指导"；当差异很小时，说明AI可能在"阳奉阴违"，表面上接受指导，实际上还是按照自己的方式在画。

特别有趣的是，研究团队还发现了一种"语义淡化"现象：在长时间的绘画过程中，AI对文字描述的重视程度会逐渐下降，就像是学生刚开始还记得老师的要求，画着画着就忘记了，开始按照自己的想法发挥。条件通道能够及时发现这种"注意力漂移"，为后续的调整提供依据。

这两个通道收集的信息会被融合成一个统一的"信心分数"，就像是将画家的"技术状态"和"理解程度"综合起来，得出一个总体的"创作质量预期"。这个分数不是静态的，而是在绘画过程中持续更新，形成一条"信心轨迹"。通过观察这条轨迹的变化，系统可以判断当前的绘画是在向好的方向发展，还是在走下坡路。

更重要的是，为了捕捉"早期失败信号"，系统还会持续跟踪"信心最低点"，并计算当前信心相对于最低点的"反弹程度"。这就像是医生监测病人的体温变化，不仅关注当前的温度，还要看是否有回升的趋势。如果一个绘画任务的信心持续下降而没有反弹迹象，就可能是"病入膏肓"的信号，需要及时"止损"。

三、信心指导策略：智能"导师"的决策艺术

有了准确的信心评估之后，ScalingAR还需要知道如何根据这些信息做出明智的决策。这就像是一位经验丰富的绘画老师，不仅要能看出学生的状态，还要知道在什么时候给予什么样的指导。研究团队为此设计了两套互补的策略：自适应终止门控和引导调度器。

自适应终止门控的作用就像是一位严格但明智的老师，知道什么时候应该让学生停下来重新开始。在传统的AI绘画中，无论画得多么糟糕，系统都会坚持画到最后，这就像是强迫一个明显画错方向的学生必须把错误的画完成一样，既浪费时间又浪费资源。

这套门控系统的工作原理很巧妙。首先，它会设定一个动态的"信心底线"。这个底线不是固定不变的，而是根据当前所有绘画任务的表现水平自动调整，就像是老师根据全班学生的整体水平来设定及格线一样。具体来说，系统会观察正在进行的所有绘画任务，找到其中表现最差的20%左右，将它们的信心水平作为"危险区域"的参考标准。

但是，仅仅跌破底线还不足以触发终止决策，因为绘画过程中出现短暂的低迷是很正常的，就像画家偶尔会遇到创作瓶颈一样。为了避免误杀有潜力的作品，系统引入了"恢复观察期"的概念。当一个绘画任务的信心跌破底线后，系统会给它一段时间来证明自己——如果在接下来的一段时间内，信心能够出现明显的反弹，就说明这只是暂时的困难，任务可以继续进行。

恢复判断有两个标准：绝对恢复和相对恢复。绝对恢复是指信心分数回升到一个预设的安全水平，就像是学生的成绩重新达到及格线；相对恢复是指相对于最低点的改善幅度达到一定程度，就像是虽然绝对分数还不高，但进步趋势很明显。只要满足其中任何一个条件，任务就被认为有继续的价值。

为了防止过早终止，系统还设置了一个"保护期"——在绘画的最初阶段，无论信心多么低，都不会被终止。这就像是给学生足够的"热身时间"，让他们适应绘画任务的要求。此外，还有一个"紧急刹车"机制，当信心低到一个极端程度时，会立即终止任务，避免浪费更多资源在明显无望的尝试上。

引导调度器则扮演着更加细致的"指导员"角色。在AI绘画中，有一个重要的参数叫做"分类器自由引导强度"，它控制着AI对文字描述的重视程度。强度高时，AI会严格按照描述来画，但可能缺乏创意；强度低时，AI会有更多发挥空间，但可能偏离要求。传统方法通常使用固定的引导强度，这就像是无论什么情况都用同样的力度指导学生，缺乏灵活性。

ScalingAR的引导调度器能够根据实时的信心状态动态调整引导强度。当条件通道发现AI没有很好地理解文字描述时，调度器会增加引导强度，就像是老师发现学生走神时会加强提醒；当内在通道检测到AI的技术状态不稳定时，调度器也会暂时提高引导强度，提供更多支撑；相反，当AI表现出强烈的信心反弹时，调度器会适当放松控制，给AI更多自由发挥的空间。

这种动态调整的公式考虑了三个关键因素：条件利用度、内在波动性和信心反弹程度。每个因素都有不同的权重，就像是一个复杂的"情绪调节算法"，能够根据AI的实时状态提供最合适的指导强度。为了避免调整过于频繁导致的不稳定，系统还加入了平滑机制和变化阈值限制，确保调整是渐进和稳定的。

最有趣的是，这两套策略是互相配合的。终止门控负责"做减法"——去除那些注定失败的尝试，节省计算资源；引导调度器负责"做优化"——让有希望的绘画任务发挥出更好的效果。它们就像是一对默契的舞伴，一个负责节奏控制，一个负责技巧发挥，共同创造出高质量的绘画作品。

通过这种智能化的决策机制，ScalingAR不仅能够显著提高绘画质量，还能大幅降低计算成本。实验结果显示，在提升图像质量12.5%到15.2%的同时，系统的计算资源消耗降低了62%，这就像是找到了一种既省力又高效的工作方法。

四、实验验证：从数字到现实的精彩表现

为了验证ScalingAR的实际效果，研究团队进行了全面而严格的测试，就像是对一个新发明进行多方面的质量检验。他们选择了两个在AI图像生成领域广受认可的评测平台：Geneval和TIIF-Bench，这两个平台就像是AI绘画界的"高考"，能够从不同角度全面考察AI的绘画能力。

Geneval主要测试AI的基础绘画能力，包括能否准确画出指定数量的物体、正确处理物体之间的位置关系、准确表现物体的颜色和属性等。这就像是测试一个画家是否能够准确理解"画两朵红玫瑰，一朵在左边，一朵在右边"这样的基本要求。TIIF-Bench则更注重测试AI处理复杂指令的能力，包括基础任务、高级任务和设计师级任务，难度逐级递增，就像是从小学画画作业到专业美术考试的完整链条。

测试结果令人印象深刻。在Geneval的测试中，当ScalingAR应用到LlamaGen这个基础模型上时，整体表现从32%提升到了36%，这看似不大的数字背后，实际上代表了显著的质量改善。更具体地看，在"两个物体"任务中，准确率从21%提升到了28%；在"位置关系"任务中，从4%提升到了12%——这个三倍的提升特别值得关注，因为位置关系一直是AI绘画的难点，就像是要求画家不仅会画苹果和桌子，还要准确地把苹果放在桌子上。

在TIIF-Bench的测试中，ScalingAR的表现更加出色。基础任务的准确率从49.58%提升到57.36%，高级任务从40.44%提升到44.13%，设计师级任务从40.30%提升到42.54%。这种全方位的提升说明ScalingAR不是只在某个特定领域有效，而是具有广泛的适用性。

特别有意思的是研究团队进行的"用户体验测试"。他们邀请了15位志愿者，像影评人评价电影一样，从五个维度对AI生成的图像进行打分：整体质量、美学品质、真实感、语义对齐度和属性绑定准确性。结果显示，ScalingAR在所有维度上都获得了更高的用户评价，这就像是观众和专业影评人都一致认为某部电影更好看一样，说明改进效果是实实在在的。

在计算效率方面，ScalingAR展现出了令人惊喜的"省钱"能力。相比于传统的重要性采样和最优N选择等方法，ScalingAR在达到更好效果的同时，将视觉token的消耗量减少了62%。这就像是找到了一种既做得更好又更省材料的烹饪方法，实现了质量和效率的双重提升。

研究团队还进行了一个特别有趣的"不可能任务"测试，他们故意设计了一些在现实中无法实现的场景，比如"羊毛像棉花云一样膨胀，让羊的身体像气球一样飞起来"或者"商用飞机从海面起飞，就像海水是坚固的跑道一样"。这些测试的目的是检验AI在面对挑战性任务时的鲁棒性。结果显示，在这些困难场景下，ScalingAR仍然能够将性能下降幅度控制在更小的范围内，相比基础模型减少了26%的性能损失。

为了更深入地理解ScalingAR的工作机制，研究团队还进行了详细的组件分析。他们发现，如果去掉条件通道，系统性能会明显下降，说明监测AI对文字理解程度的重要性；如果去掉最差区域稳定性分析，效果也会打折扣，证明了空间异常检测的价值；如果去掉token级信心评估，影响更加明显，说明这是整个系统的核心基础。这就像是拆解一台精密机器，每个零件都有其不可替代的作用。

在可扩展性测试中，研究团队验证了ScalingAR在不同规模下的表现。无论是增加并行绘画的数量（相当于让更多画家同时工作），还是延长单个绘画的时间（相当于给画家更多时间精雕细琢），ScalingAR都能够持续带来性能提升，而且提升幅度相对稳定。这说明这种方法具有良好的通用性，不是只在特定条件下有效的"偶然发现"。

最后，研究团队还测试了不同超参数设置对系统性能的影响。他们发现，内在通道和条件通道的权重比例设置在0.75:0.25时效果最好，这表明虽然两个通道都很重要，但技术稳定性相对更加关键。在引导调度器的参数中，适度强调内在波动性和信心反弹的重要性能够带来最佳效果，过度依赖任何单一信号都可能导致性能下降。

这些实验结果共同证明了ScalingAR的有效性和实用性。它不仅在理论上是创新的，在实践中也是可靠的，为AI图像生成领域提供了一个既提高质量又节省成本的解决方案。

五、突破与启示：AI图像生成的新篇章

ScalingAR的成功不仅仅是一个技术改进，更像是为整个AI图像生成领域打开了一扇新的大门。它的意义就像是从"盲人画画"时代进入了"明眼创作"时代，让AI从机械的执行者变成了具有自我感知能力的创作者。

最重要的突破在于，ScalingAR首次在图像生成领域实现了真正意义上的"过程控制"。传统的方法就像是发射一枚火箭，点火之后就只能听天由命，无法在飞行过程中调整轨道。而ScalingAR则像是给火箭安装了导航系统和推进器调整装置，能够在飞行过程中根据实时情况不断修正方向，确保最终能够精准到达目标。

这种能力的获得主要得益于对"视觉token熵"这一全新信号源的挖掘。在此之前，研究者们普遍认为图像生成过程中缺乏可靠的中间评估信号，就像是在黑暗中摸索前进。ScalingAR证明了AI的"内心状态"其实包含着丰富的信息，只要用对方法，就能够像读心术一样准确把握AI的真实想法。这个发现不仅对当前的研究有用，更为未来的探索指明了方向。

从技术创新的角度来看，双通道信心画像系统的设计理念具有很强的借鉴价值。它将复杂的质量评估问题分解为两个相对简单但互补的子问题：技术稳定性和语义对齐性。这种"分而治之"的思路就像是将一个复杂的工程项目分配给不同的专业团队，每个团队专注于自己最擅长的部分，最后再统一协调。这种设计模式完全可以应用到其他AI任务中，比如语音合成、视频生成等领域。

信心指导策略的成功也展示了"动态调控"相对于"静态配置"的巨大优势。传统的AI系统更像是按照固定菜谱做菜的机器人，无论食材如何变化都严格按照既定步骤执行。而ScalingAR更像是一位经验丰富的大厨，能够根据食材的实际状态、火候的变化、顾客的反馈等实时信息灵活调整烹饪策略，最终做出更符合期望的美食。

这种动态调控的理念对于整个AI领域都有启发意义。它提醒我们，AI系统不应该是僵化的程序执行器，而应该具备感知、判断和调整的能力。未来的AI系统可能都需要具备类似的"自适应智能"，能够根据任务的进展情况和环境的变化做出相应的策略调整。

从实用价值的角度来看，ScalingAR解决了AI图像生成领域的一个关键瓶颈：质量和效率的平衡。在ScalingAR出现之前，要想提高图像质量，通常意味着需要消耗更多的计算资源，这就像是要想跑得更快就必须消耗更多汽油一样。ScalingAR证明了通过智能化的控制策略，可以同时实现质量提升和成本降低，这为AI技术的实际应用扫清了重要障碍。

这种效率提升对于AI图像生成的普及化具有重要意义。当前，高质量的AI图像生成通常需要昂贵的计算资源，这限制了技术的广泛应用。ScalingAR提供的效率改进意味着同样的硬件可以产生更好的结果，或者产生同样质量的结果需要更少的硬件，这将大大降低AI图像生成的门槛，让更多人能够享受到这项技术的便利。

在鲁棒性方面，ScalingAR在"不可能任务"测试中的出色表现，展示了AI系统处理边缘情况和异常输入的能力。这种能力在实际应用中尤为重要，因为用户的需求往往是多样化和不可预测的。一个真正实用的AI系统必须能够在面对各种挑战性输入时保持相对稳定的性能，而不是只在理想条件下工作良好。

ScalingAR的成功还为AI领域的"测试时优化"研究方向提供了新的思路。它证明了即使在训练完成后，仍然有很大的空间通过智能化的推理策略来提升系统性能。这就像是一位运动员在比赛中通过战术调整来发挥出超常水平一样。这种思路对于那些无法频繁重训练大模型的研究者和开发者来说特别有价值。

展望未来，ScalingAR开启的这条技术路径还有很大的发展潜力。研究团队在论文中提到，当前的信心评估机制主要基于统计特征，未来可能会发展出更加精细化的评估方法，比如结合语义理解、美学评价等更高层次的信息。引导策略也可能会变得更加智能化，不仅能够调整现有参数，还能够动态选择不同的生成算法或模型组合。

更令人兴奋的是，这种"AI自我感知"的理念可能会推广到更广泛的AI应用中。想象一下，如果AI翻译系统能够感知自己对某个句子的理解程度，如果AI对话系统能够判断自己的回答是否偏离了用户意图，如果AI推荐系统能够评估自己的推荐是否真正符合用户喜好——这些都将大大提升AI系统的可靠性和用户体验。

从更深层次来看，ScalingAR代表了AI发展的一个重要趋势：从"被动执行"向"主动感知"的转变。这种转变不仅是技术上的进步，更是AI走向真正智能化的重要一步。一个能够感知自己状态、评估自己表现、调整自己策略的AI系统，已经具备了某种程度的"自我意识"，这为未来AI的发展打开了无限的想象空间。

归根结底，ScalingAR的成功告诉我们，AI技术的进步不仅来自于更大的模型、更多的数据或更强的计算力，同样重要的是更聪明的方法和更深刻的洞察。通过仔细观察AI的"内心世界"，理解其工作机制的细微之处，我们可以找到意想不到的改进空间。这种"内省式"的研究方法值得在整个AI领域推广，它提醒我们，有时候答案就在我们已有的系统内部，关键是要有发现的眼光和挖掘的技巧。

Q&A

Q1：ScalingAR是什么？它解决了AI画画的什么问题？

A：ScalingAR是香港科技大学团队开发的AI图像生成优化系统，它的核心能力是在AI画画过程中实时感知AI的"信心状态"。它解决了传统AI画画只能"盲画到底"的问题，让AI能够在绘画过程中自我评估和调整，避免浪费资源在注定失败的尝试上，同时提高成功作品的质量。

Q2：ScalingAR的双通道信心画像系统是如何工作的？

A：这个系统就像给AI安装了两个"观察器"。内在通道监测AI绘画时的技术稳定性，通过分析AI选择颜色时的犹豫程度和画布上的混乱区域来判断绘画质量。条件通道检查AI是否真正理解用户的绘画要求，通过比较有指导和无指导状态下的差异来评估理解程度。两个通道的信息结合起来形成统一的信心分数。

Q3：使用ScalingAR能带来多大的改进效果？

A：实验结果显示，ScalingAR能够将基础AI模型的图像生成质量提升12.5%到15.2%，同时将计算资源消耗降低62%。在面对特别困难的"不可能任务"时，还能将性能下降幅度减少26%。这意味着用更少的成本获得更好的图像质量。