KI SpotlightNewsVier Stufen für agentische Bildgenerierung: Neues Rahmenmodell klassifiziert nach Entscheidungsreichweite
Ein Paper schlägt ein vierstufiges Modell vor, das agentische visuelle Generierung nach der direkten Kontrolle des Controllers über Generierungsoperationen einteilt – von fester Unterstützung bis zu erfahrungsadaptiver Kontrolle. Eine Living Roadmap setzt dagegen auf fünf Stufen.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Das Paper schlägt ein vierstufiges Rahmenmodell vor, das agentische visuelle Generierung nach der direkten Entscheidungsreichweite des Controllers über Generierungsoperationen klassifiziert, von fester Unterstützung bis zu erfahrungsadaptiver Kontrolle.
- Auf Stufe L1 (Conditioning Control) bereitet der Controller die Eingabe für einen vorbestimmten Generator vor, kontrolliert aber nicht, welche visuelle Operation ausgeführt wird.
- Auf Stufe L2 (Execution Control) wählt der Controller tatsächliche Generierungs-, Bearbeitungs-, Rendering- oder andere inhaltsverändernde Operationen aus und ruft sie auf.
- Auf Stufe L3 (Outcome-Adaptive Control) beobachtet der Controller ein Zwischenergebnis und nutzt diese Beobachtung, um eine nachfolgende Operation innerhalb der aktuellen Aufgabe zu ändern.
- Laut Abstract entwickelt sich die visuelle Generierung von einmalig aufgerufenen generativen Modellen zu agentischen Kontrollprozessen, die planen, Werkzeuge auswählen, Zwischenergebnisse prüfen, Fehler korrigieren und frühere Erfahrungen wiederverwenden können.
- In den meisten bestehenden Systemen ist der Controller ein LLM oder VLM, während visuelle Generierungsmodelle als Werkzeuge oder Ausführer dienen.
Vier Stufen statt Planungstiefe: Neues Kriterium für Agentik
Das Paper 'Agentic Visual Generation: From Generative Models to Agentic Control' schlägt ein vierstufiges Rahmenmodell vor, das agentische visuelle Generierung nach der direkten Entscheidungsreichweite des Controllers über Generierungsoperationen klassifiziert – von fester Unterstützung bis zu erfahrungsadaptiver Kontrolle. Nach Angaben des Papers entwickelt sich die visuelle Generierung von einmalig aufgerufenen generativen Modellen zu agentischen Kontrollprozessen, die planen, Werkzeuge auswählen, Zwischenergebnisse prüfen, Fehler korrigieren und frühere Erfahrungen wiederverwenden können. Bestehenden Arbeiten fehle jedoch ein einheitliches Kriterium dafür, wann ein Generierungssystem agentisch wird: Planungstiefe, Tool-Nutzung, Multi-Rollen-Kollaboration und Reinforcement Learning würden oft als Beleg für Agentik behandelt, obwohl keines davon notwendigerweise bestimme, welche Generierungsentscheidungen der Controller treffen kann. Das Paper führt deshalb ein konsistentes Kriterium ein: die direkte Entscheidungsreichweite des Controllers über die Generierungsoperationen. In den meisten bestehenden Systemen ist der Controller ein LLM oder VLM, während visuelle Generierungsmodelle als Werkzeuge oder Ausführer dienen.
Die vier Stufen im Detail: Von Conditioning bis Experience-Adaptive
Die vier Stufen des Rahmenmodells unterscheiden sich darin, welche direkten Entscheidungen der Controller treffen kann. Auf Stufe L1, Conditioning Control, bereitet der Controller lediglich die Eingabe für einen vorbestimmten Generator vor; er kontrolliert nicht, welche visuelle Operation ausgeführt wird. Auf Stufe L2, Execution Control, wählt der Controller tatsächliche Generierungs-, Bearbeitungs-, Rendering- oder andere inhaltsverändernde Operationen aus und ruft sie auf. Auf Stufe L3, Outcome-Adaptive Control, beobachtet der Controller ein Zwischenergebnis und nutzt diese Beobachtung, um eine nachfolgende Operation innerhalb der aktuellen Aufgabe zu ändern. Damit steigt die Kontrolltiefe von der reinen Eingabevorbereitung über die Auswahl konkreter Operationen bis zur reaktiven Anpassung auf Basis von Zwischenergebnissen. Die vierte Stufe L4 wird als erfahrungsadaptive Kontrolle bezeichnet; weitere Details zu dieser Stufe nennt das Paper im Abstract nicht.
Konkurrierende Taxonomie: Fünf Stufen in der Living Roadmap
Eine konkurrierende Taxonomie findet sich in der Living Roadmap 'Visual Generation in the New Era'. Diese schlägt eine fünfstufige Klassifikation vor: Atomic Generation, Conditional Generation, In-Context Generation, Agentic Generation und World-Modeling Generation. Die Roadmap beschreibt die Entwicklung von passiven Renderern zu interaktiven, weltmodellierenden Generatoren, wobei jede Stufe die vorherigen Fähigkeiten einschließt und eine qualitativ neue Kompetenz hinzufügt. Diese fünfstufige Taxonomie unterscheidet sich von der vierstufigen Klassifikation des Papers 'Agentic Visual Generation', das die direkte Entscheidungsreichweite des Controllers als Kriterium nutzt.
