文生图Scaling新变量，被字节Seed团队发现了
文生图模型一直在扩展模型、数据和算力， 但训练图像所配 Caption 的信息量，却很少被作为一个独立变量系统研究 。ByteDance Seed 团队发现：自然语言 Caption 变长，并不意味着模型获得了更多可用的视觉监督；相比长度，Caption 中与图像绑定的信息量更能预测扩散模型最终达到的训练损失。
基于这一发现，团队提出 Structured Prompt，并从 Diffusability 与 Promptability 两侧共同提升文本条件，最终在复杂组合、推理和世界知识生成任务上取得显著提升 。
论文 Figure 1｜自然语言长度很快饱和；结构化条件持续增加图像信息，并沿统一关系降低扩散训练损失。 过去几年，文生图模型的进步几乎沿着一条熟悉的路线展开：更大的模型、更多的数据，以及更高的训练算力。
但文生图与语言模型之间存在一个容易被忽略的差异。语言模型可以直接从文本序列中进行自监督学习；文生图模型则依赖图像与 Caption 的配对，学习 “什么样的文字对应什么样的视觉内容”。图像中可能包含大量物体、属性、位置、动作和关系，但只有被 Caption 准确描述并清晰绑定的部分，才能作为文本条件监督传递给模型。
于是，一个基础问题出现了：除了继续扩大模型、数据和算力，我们能否通过增加 Caption 所携带的图像信息，让生成模型学得更好？
在这项新工作中，ByteDance Seed 团队研究了这一问题。核心结论可以概括为一句话：
真正随文本条件扩展的，不是 Caption 的 token 数量，而是其中可被模型利用的图像信息 。
论文标题： Scaling Properties of Text Conditioning in Visual Generation
作者： Zilong Chen, Chaorui Deng, Kunchang Li, Hongyi Yuan, Haoqi Fan 机构： ByteDance Seed
论文：https://arxiv.org/abs/2607.29679
项目主页：https://heheyas.github.io/context-scaling
代码：https://github.com/heheyas/context-scaling
模型：https://huggingface.co/collections/heheyas/context-scaling
在线 Demo：https://heheyas-context-scaling.hf.space/
Hugging Face Paper：https://huggingface.co/papers/2607.29679
Prompt 变长了，
为什么模型没有变强？
一个直觉做法，是把训练 Caption 或用户 Prompt 写得更长、更详细。更多 token 看起来应该意味着更多监督，也应该帮助模型生成更复杂的图像。
实验却给出了不同答案。在多种现有开源文生图系统上，自然语言 Prompt 随长度增加很快饱和，最终输出甚至低于各自最短 Prompt 的表现。即使专门在同一套长文本 Caption 上训练扩散模型，收益也十分有限。
为了把这个现象看得更清楚，团队设计了一个固定骨干网络的图像重建实验。对于同一张参考图像， 团队 从同一份完整标注出发，生成四个详细程度逐渐增加的自然语言 Caption，再使用相同的 Qwen-Image 模型和随机种子尝试还原该图像。这些 Caption 描述相同的实体和关系，后续版本主要通过补充和展开自然语言表达来增加长度。
令人意外的是，Caption 虽然显著变长，图像重建质量却几乎不再提高。新增的 prose 更多是在解释、改写或连接已经出现的内容，并没有持续增加新的、可稳定使用的视觉变量。