视觉生成中的文本条件长期缺少清晰的缩放规律：自然语言提示词变长，并不会让扩散损失像语言模型损失那样随 token 数稳定变化。这项工作把关注点从“写了多少”转向“语言有多结构化”，并在受控训练中观察到明确的经验关系，为提示词构造和训练流程提供了一个更具体的优化坐标。
结构量，而非 token 数
作者引入两种互补指标来量化提示词中的结构化语言：白盒似然指标 GPG，以及黑盒属性指标 ED。实验结果显示，模型收敛后的扩散损失会随着 GPG 增加而近似线性下降；以 ED 衡量时，则呈现幂律关系。
这里的重要性不在于某一个指标本身，而在于它说明文本条件中的结构化信息可能存在可测尺度。单纯统计 prompt 长度，会把内容组织方式、属性表达和空间关系等差异压缩成同一个 token 数，因而难以解释扩散模型实际获得了多少有效条件。
从经验规律到训练系统
研究进一步把这些规律用于两类改进。第一类面向 diffusability：从图像中提取语义与几何标注，构造更结构化的提示词，让视觉内容更适合被扩散模型学习。第二类面向 promptability：通过监督微调、冷启动，以及由验证器把关的 on-policy 蒸馏训练一个 prompter。
最终系统相较论文评测覆盖的全部开放权重模型，在几乎所有组合性、推理和世界知识基准上取得更好结果；与最强闭源模型相比，也在多数评测中持平或超过。这个结论应严格限定在作者选择的模型和基准范围内，不能直接外推为全面领先。
我的判断
这项工作的价值，是为文本到图像系统补上一个比 token 数更有解释力的经验尺度，并把测量结果闭环到数据构造与提示器训练中。对需要改善复杂指令遵循、空间关系表达或知识组合能力的团队，它提供了一条值得验证的路线：先量化结构，再改造提示与训练。
不过，摘要没有给出 GPG、ED 的具体定义、拟合区间、模型规模、数据分布和计算成本，也无法判断规律跨架构、跨数据集的稳定性。最终成绩还同时受到结构化标注、prompter 和验证器蒸馏等多项改动影响，因此不能仅凭整体结果认定缩放规律就是全部增益来源。