ICG：基于多模态大模型提示与个性化偏好对齐的封面图像生成优化

端到端架构：弥合多模态理解与生成的鸿沟

当前AI生成内容领域的一个典型瓶颈在于，多模态理解（由MLLMs完成）与图像生成（由扩散模型执行）往往是两个割裂的模块。传统流程依赖手工设计的提示词和分散的模块，导致信息传递损耗和优化目标不一致。ICG的核心创新在于引入一个可插入的适配器，直接连接MLLMs和扩散模型，实现了端到端的联合训练。这意味着模型的语义理解能力能够直接优化生成过程，使得最终输出的封面图像不仅视觉质量高，且与源内容的语义关联更强。这种架构消除了中间环节的信息损失，是实现高质量生成的技术前提。

个性化实现：超越内容匹配的“用户共鸣”生成

文章指出，仅仅生成与内容相关的图像是不够的，真正的挑战在于生成能引发特定用户群体情感共鸣的封面。ICG为此设计了一条精密的个性化路径：

• 上下文构建：不直接使用原始文本/图像，而是通过元令牌抽取关键的、可迁移的语义特征。
• 用户建模：利用用户嵌入向量来调制和优化这些语义特征，将群体偏好或历史行为模式融入其中。
• 偏好对齐：为解决缺乏明确“用户喜欢什么封面”的标签数据问题，框架创新性地构建了多奖励学习系统。它同时利用公开数据训练的通用美学与相关性奖励，和从隐式用户行为（如点击、停留时长）中学习的个性化偏好模型来指导优化。这实质上是让模型学会在“好看”和“相关”的基础上，生成“对你而言特别”的内容。

技术启示：从“生成正确”到“生成共鸣”

这项研究的深层洞察在于，它揭示了AIGC（人工智能生成内容）正从追求内容准确性（如图文匹配）的初级阶段，迈向追求用户体验共鸣的高级阶段。在数字平台中，内容的价值越来越取决于其能否在瞬间抓住特定用户的注意力。ICG框架表明，实现这一目标的关键技术路径，是将深度用户理解（通过用户嵌入和行为数据建模）与内容语义理解进行端到端的融合。它不仅是一个新的生成模型，更代表了一种以用户为中心的内容生成范式。该框架作为插件的特性，也预示着这种个性化生成能力可能快速集成到现有的AI内容生产工具链中。