一句话总结：

Unified Thinker 将“推理规划”和“图像渲染”拆分为独立的 Thinker–Generator 两个模块，并利用最终生成图像的奖励反向优化推理过程，使 CoT 从“文本上合理”转向“对生成器真正有用”。

1. 基本信息

• 作者： Sashuai Zhou、Qiang Zhou、Jijin Hu 等
• 机构： 浙江大学、阿里巴巴、南京大学、复旦大学
• 发表： ACL 2026 Main Conference
• 数据： HieraReason-40K
• 任务： Text-to-Image、Image Editing、Reasoning T2I、Reasoning Editing
• 核心关键词： Decoupled Reasoning、Executable Planning、GRPO、Generator-in-the-loop

2. 研究问题

现有推理增强图像生成方法主要有两类：

1. 内生推理： 将理解、CoT 和图像生成统一训练在一个模型中。

   问题是推理与渲染高度耦合，训练不稳定，也可能损害原有生成质量。

2. 外部规划器： 使用 MLLM 将复杂指令改写为详细 prompt，再交给冻结的生成模型。

   问题是 MLLM 只保证推理在文本空间中合理，但不保证生成器能够准确执行。

因此，论文关注的是：

Reasoning–Execution Gap：正确的文字推理，不一定能够转化为正确的图像。

具体表现为两种失败：

• 没有 Thinker：模型无法正确理解隐式逻辑；
• 使用普通 MLLM 作为 Thinker：推理正确，但生成结果没有准确执行推理。

3. 核心思想