现有文生图模型能够生成视觉效果出色的图片，但面对需要复杂语义理解、多步推理和外部知识的开放世界任务时，能力仍然受限。ToolArtist 的核心变化不是替换图像生成器，而是把推理、工具调用和图像生成统一交给一个多模态模型策略管理。
从固定流程转向统一策略
此前为图像生成加入智能体能力的方案，通常预先规定工作流，或者只让智能体控制搜索、规划等部分环节，实际生成仍由独立模块负责。这样做的问题是，推理、行动和绘图并非由同一个策略联合协调，系统很难根据任务动态组织整个过程。
ToolArtist 基于统一多模态模型（UMM）进行后训练，将外部工具使用与模型原生图像生成放进同一策略。模型可以在开放世界图像任务中统一编排推理、工具调用和最终生成，而不是沿着固定管线依次执行。论文实验显示，完整交由智能体策略控制的方案，持续优于固定流程或仅部分环节受智能体控制的方法；摘要未披露具体指标与提升幅度。
训练关键是把“调用生成器”转成模型能力
监督微调阶段，研究者为教师智能体同时提供搜索工具和图像生成工具，用它收集包含推理、调用与生成结果的轨迹。随后，这些轨迹被转换为统一多模态模型可处理的格式：图像生成工具本身被隐藏，但工具生成的图片会保留下来。这个设计让训练样本呈现推理、外部行动与图像结果之间的联系，同时避免模型只学习显式调用一个外置生成接口。
强化学习阶段，作者搭建了面向统一多模态模型的智能体强化学习基础设施，并提出 Reason-Act-Draw GRPO（RAD-GRPO）。该方法结合意图奖励与质量奖励，联合优化任务意图是否得到落实，以及最终图像的生成质量。
我的判断
ToolArtist 的价值在于调整系统控制边界：它不再把“先规划、再搜资料、最后画图”视为人工拼接的流水线，而是尝试训练一个覆盖完整过程的统一策略。这对依赖外部知识、多步决策的复杂图像任务更有意义。
不过，摘要只给出了总体优于对照方案的结论，没有提供评测规模、成本、工具失败率和具体增益，因此暂时无法判断其工程性价比与泛化范围。对于需求明确、无需搜索的普通文生图任务，统一智能体策略是否值得增加训练和运行复杂度，也仍需更完整的实验支持。