GEMS：基于记忆与技能的代理原生多模态生成

最近的多模态生成模型在通用生成任务上取得了显著进展，但在处理复杂指令和专业下游任务方面仍存在挑战。灵感来源于Claude Code等先进代理框架的成功，我们提出GEMS（Agent-Native Multimodal Generation with Memory and Skills），一个超越基础模型在通用和下游任务上局限性的框架。GEMS由三个核心组件构成。代理循环引入结构化的多代理框架，通过闭环优化不断改进生成质量。代理记忆提供持久的、轨迹级别的记忆，层次化存储事实状态和压缩的经验摘要，使我们能够全面把握优化过程，同时减少冗余。代理技能提供可扩展的领域特定 Expertise 集合，按需加载，使系统能够有效处理多样化的下游应用。在五个主流任务和四个下游任务上，通过多个生成后端进行评估，GEMS consistently 实现了显著的性能提升。最突出的是，GEMS使轻量级6B模型Z-Image-Turbo超过GenEval2上最新的Nano Banana 2，展示了代理套 harness 在超越模型原始限制方面的有效性。