Qwen-Image-Agent: Bridging the Context Gap in Real-World Image Generation

本文提出 Qwen-Image-Agent，一个将规划、推理、搜索、记忆和反馈整合在一起的统一agent框架，用于解决真实场景中图像生成需求总是欠指定/隐式/依赖最新知识的问题（即上下文鸿沟）。核心方法是两阶段流程：Context-Aware Planning 识别缺失上下文并规划如何获取，再通过 Context Grounding 从推理、搜索、记忆和反馈中补齐上下文。作者还发布了 IA-Bench 基准，评测四个核心能力：规划、推理、搜索、记忆。实验在 IA-Bench、Mindbench、WISE-Verified 上均达到 SOTA。

1. 能用进导购/agent产品：直接启发导购 agent 在生成商品图片时，利用搜索+记忆自动补全当前库存折扣、用户偏好等上下文，生成更精准的展示图而非泛化T2I。
2. 改变技术选型判断：之前认为图像生成主要靠prompt工程+预训练，现在意识到可以借鉴其 Context-Aware Planning → Context Grounding 流程，把搜索和记忆变成可编排的tool call，类似我们LLM agent的tool-use结构。
3. 接下来行动：读完全文并复现context grounding部分的search/memory模块设计思路；考虑在自己的数据增强 pipeline 里加入动态上下文补全逻辑；关注后续升级版本是否开源权重。