当人工智能生成的图像中出现扭曲模糊的文字时，多数人会认为这是模型能力不足的体现。但中南大学与香港科技大学联合研究团队提出全新视角：问题根源或许不在于算法本身，而在于训练数据的收集方式过于僵化。他们开发的DataEvolver系统通过建立反馈闭环，将传统数据构建流程转化为具备自我优化能力的智能工厂，在文字丰富图像生成领域取得突破性进展。
传统数据构建模式如同机械化的流水线：从网络抓取海量图片，用固定规则筛选合格样本，淘汰的"废料"则被直接丢弃。研究团队发现，这些被丢弃的图片实则包含关键信息——某些搜索词总关联主题错配的图片，特定场景下文字识别率持续低下，特定格式的图片重复率畸高。这些规律若能被系统化分析，完全可指导后续数据采集策略的优化调整。
该系统构建了包含检索员、核查员、批评家和生成员四个角色的智能工厂。检索员根据动态更新的搜索模板抓取图片，核查员通过OCR识别、感知哈希去重和语义匹配三重检验筛选合格样本。不同于传统流程的关键在于，核查员会详细记录每张淘汰图片的失败原因，形成包含20余项指标的"失败报告"。批评家作为核心决策模块，将这些数据转化为可执行的改进策略，例如当发现某搜索词导致83%的图片因重复被淘汰时，会建议增加排版风格、配色方案等多样性要求。
生成员的设计解决了长尾数据覆盖难题。系统实时监测33个细分主题的样本数量，对覆盖率低于阈值的领域，通过图像生成模型合成补充数据。这种主动干预机制使DataEvolver在文件记录、商业交易等四大类场景的覆盖率达到96.97%，较传统数据集提升6-18个百分点，尤其在证书、小众语言菜单等冷门领域的样本量增长显著。
实验数据显示显著优势：在75万张数据规模下，使用PixArt-α模型训练时，TextScenesHQ测试集的OCR-F1分数从4.56提升至8.45，LongTextBench测试集从6.71提升至9.08。这种提升具有模型普适性，换用Show-o2模型测试时，两项指标分别增长137%和63%。值得注意的是，随着数据量从10万张增至75万张，其与基线方法的差距持续扩大，证明反馈机制在大数据场景下更具效力。
拆解实验验证了各模块的不可替代性。移除批评家后，OCR-F1分数在两大测试集分别暴跌43%和58%，表明失败反馈转化为策略调整的能力是系统核心；去掉生成员虽导致性能下降，但幅度较小（25%-30%），证实其主要用于解决覆盖盲区。当批评家模型参数量从40亿增至350亿时，OCR-F1分数提升52%，显示更强大的语言理解能力可产生更精准的改进策略。
该研究仍存在改进空间。当前OCR识别错误、语义评分偏差等问题会通过反馈链放大，影响系统决策准确性。研究团队承认，现有实验规模尚不足以建立数学模型，且方案目前专注于文字图像领域。不过，这种将数据构建过程转化为可学习系统的思路，为多模态训练数据优化提供了新范式。完整技术细节可通过arXiv编号2606.31537查阅论文。
