论文页面 - GenClaw：代码驱动的智能体图像生成

来源：https://huggingface.co/papers/2605.30248

摘要

GenClaw 提出了一种代码驱动的智能体图像生成框架，通过概念化、草图和着色阶段实现精确的视觉构建，将编程逻辑与生成模型相结合。

图像生成模型 (https://huggingface.co/papers?q=Image%20generation%20models) 已从文本条件的像素合成发展为具备视觉理解 (https://huggingface.co/papers?q=visual%20comprehension) 和工具调用 (https://huggingface.co/papers?q=tool%20invocation) 能力的多模态智能体 (https://huggingface.co/papers?q=multimodal%20agents)。然而，现有智能体仍然受制于底层的黑盒图像模型。它们的工作流程被困在为了生成优化而反复重写提示的循环中，无法直接操作画布。本质上，大型语言模型 (https://huggingface.co/papers?q=LLMs) 作为真正“画笔”实现精确视觉构建的潜力仍未得到充分挖掘。在本文中，我们提出 GenClaw，一种代码驱动的智能体图像生成范式，它赋予智能体像人类艺术家一样的创作能力：先概念化，再草图，最后着色。具体来说，智能体首先通过搜索和推理构建概念知识 (https://huggingface.co/papers?q=conceptual%20knowledge) 与上下文。然后利用代码（如 SVG、HTML、Three.js）渲染可执行的视觉草图 (https://huggingface.co/papers?q=visual%20sketches)。最后使用图像生成模型补充纹理、材质和照片级真实感。在这一工作流中，代码作为连接语言推理与像素合成的可控中间画布，无缝融合了编程逻辑与生成模型 (https://huggingface.co/papers?q=generative%20models) 的视觉表现力。通过将图像生成从黑盒范式转变为类似真实人类创作的分阶段过程，GenClaw 向高度可控且可解释的视觉生成系统 (https://huggingface.co/papers?q=visual%20generation%20systems) 迈出了一步。

查看 arXiv 页面 (https://arxiv.org/abs/2605.30248)查看 PDF (https://arxiv.org/pdf/2605.30248)GitHub8 (https://github.com/yejy53/GenClaw)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.30248)

在你的智能体中获取这篇论文：

hf papers read 2605\.30248

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.30248 以从此页面链接。

引用该论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.30248 以从此页面链接。

引用该论文的Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.30248 以从此页面链接。

包含该论文的收藏集1