在文生图（Text-to-Image）和视频生成领域，以FLUX.1、Emu3为代表的扩散模型与自回归模型已经能 生成极其逼真的画面 。 但当你要求模型处理复杂的空间关系、多物体交互或精准的数量控制时，它们往往会"露怯"：不是把猫 画到了窗户外面，就是把三个苹果画成了四个。 为了解决这个问题，学术界此前主要有两条路： 一条是"谋定而后动"（Think-before-Generation），即在画第一笔之前，先写好详细的布局计划。但这 就像让画家在动笔前必须把每一笔都想得清清楚楚，一旦开画就无法更改，缺乏灵活性。 另一条是"亡羊补牢"（Think-after-Generation），即先把图画完，再通过多轮对话来挑错、修改。这虽 然有效，但往往意味着巨大的推理开销和漫长的等待时间。 那么，有没有一种方法，能让模型像人类画家一样，在作画的过程中停下来看一眼，既能审视刚才画得 对不对，又能为下一笔做好规划？ 近日，来自香港中文大学、美团等机构的研究团队提出了一种全新的范式——Thinking-while- Generating（TwiG）。这是首个在单一生成轨迹中、以局部区域为粒度，将文本推理与视觉生成深度 交织（ ...