复旦与 Wan 团队发布首篇 Agentic 视觉生成综述，提出 L0-L4 控制分级框架
这篇综述用 L0-L4 分级回答一个具体问题：视觉生成系统里控制器能自主决定到哪一步，并指出目前多数工作只做到当前任务内的结果修正，跨任务复用经验仍是少数。
让 AI 生成一张海报已不困难，难的是让它围绕同一设计目标持续工作：理解需求、出初稿、发现问题后知道改哪里，并保留已确认的内容。复旦、Wan 与港中文 MMLab 的综述把 300 多份工作按控制器的决策范围分成 L0 到 L4 四级，梳理图像、视频、幻灯片、3D 等生成系统在生成前、执行中、看到结果后以及任务结束后分别能做什么决定。
正文摘录
.jpg)  让 AI 生成一张海报已经不难。更难的是，让它围绕同一个设计目标持续工作：理解品牌与产品要求，生成初稿；发现标题、产品位置或整体风格存在问题后，知道应该修改哪里、怎样修改；同时保留已经确认的内容。等到下一次活动，它还能延续此前确定的设计偏好和有效经验。 这里需要做的决定，从曾经的“输入什么提示词”，扩展到了选什么工具、检查结果、局部修改，以及积累经验。 这些决定由谁来做，做到哪一步，正是 Agentic Visual Generation（智能体式视觉生成） 要研究的问题。 来自 复旦、Wan、港中文 mmlab 的研究团队在综述《Agentic Visual Generation: From Generative Models to Agentic Control》中，为这个快速发展的方向建立了一套围绕控制器决策范围的分类框架。 论文梳理了覆盖图像生成、编辑、视频、幻灯片、用户界面、3D 与世界模型 的系统，并将不同技术路线放到同一组问题下考察：系统在生成前能决定什么？执行时能选择什么？看到结果后能改变什么？任务结束后又能留下什么？