画像生成前にWeb検索する新フレームワーク「Gen-Searcher」が登場

最先端の画像生成モデルに「未来都市」を描かせれば、息をのむような美しいビジュアルを一瞬で出力してくれます。しかし、ゲーム『鳴潮』の特定キャラクターの公式設定や、実在するビルの正面に設計者名と竣工年を正確に刻んだイラストを頼むと、途端にもっともらしい嘘をつき始めます。

LLMがとっくにWeb検索を覚えた一方で、画像生成モデルはずっと学習時の凍結された記憶の中に閉じ込められていました。3月30日、研究チームは新たな画像生成エージェントフレームワーク「Gen-Searcher」をオープンソースで公開しました。画像を描く前に、検索エージェントがWeb上から参考画像と事実情報を自動で集めてくる仕組みです。

人間の絵師のようにまず資料を探す

Gen-Searcherのアプローチは、人間のクリエイターが依頼を受けてまず資料集めをするプロセスそのものです。

外部知識が必要なプロンプトを受け取ると、マルチホップ推論を行って不足している情報を特定します。そしてWeb検索を実行し、必要なテキスト情報と参考画像を収集した上で、画像生成モデルに渡して出力を導きます。

たとえば、ピトケアン諸島やグリーンランドの秘境を取り上げ、3月15日の気温範囲まで記載したインフォグラフィック風ポスターの生成を指示した場合、従来のモデルなら架空の数値を捏造してしまいます。Gen-Searcherなら現地の参考風景と当日の正確な気温データをWebから拾い、ポスター内に破綻なく落とし込みます。

このフレームワークはモデル非依存で設計されているため、オープンソースモデルだけでなく商用のプロプライエタリな画像生成AIにも接続可能です。

テキストと画像の両面で強化学習

研究チームはエージェントを育成するため、検索負荷の高いプロンプトと正解画像を集めた「Gen-Searcher-SFT-10k」および「Gen-Searcher-RL-6k」という2つのデータセットを構築しました。

さらに、外部知識の反映精度を測定する総合ベンチマーク「KnowGen」も新設しています。

学習にはSFTに加え、GRPOアルゴリズムによる強化学習を採用しました。テキスト情報の一致度と画像の視覚的一致度を組み合わせたデュアルリワードを与えることで、安定した検索行動を学習させています。

実験では、基盤モデル「Qwen-Image」にGen-Searcherを組み合わせることで、KnowGenで約16ポイント、WISEベンチマークでも約15ポイントのスコア向上が確認されました。現在、コード、データ、モデルのすべてが一般公開されています。

なぜ重要か

Gen-Searcherは、画像生成が商業実務に入り込む上で最大の壁だった「ハルシネーション」に真正面から切り込んだ好例だと考えられます。

キャラクターのファンアート制作や、ポスター、建築パースを手がけるクリエイターにとって、最大のボトルネックは「資料を探してControlNetやプロンプトで微調整し続ける手間」でした。公式設定や建物の詳細をツール自身が能動的に拾って反映してくれるなら、実務での試行錯誤コストは一気に下がります。コードも重みも公開されているため、生成パイプラインを組んでいる技術者は今すぐ試す価値があります。

業界全体で見ても、テキストLLMで当たり前になったRAGやAgentのアプローチが、いよいよ画像生成の領域に本格移植され始めたことを意味します。移り変わる世界の知識をすべて巨大な画像モデルに事前学習させるのではなく、検索エージェントに外注する構造は、計算コストの面でも極めて合理的です。

課題があるとすれば検索エンジンの精度依存です。検索上位にファンアートの誤った色設定や誤情報が混ざっていた場合、そのまま高精細に出力されてしまう危険があります。それでも、生成AIが「ただ妄想を描く道具」から「裏付けを持って描く道具」へ進化する道筋を示した意義は小さくありません。