COMPASS 是一项发表于 arXiv 的新研究（arXiv:2606.28696v1，cs.AI，提交于 2026 年 6 月 27 日），由 Ziqi Zhou 及另外 8 位作者合作完成，目标是解决统一多模态模型中一个长期被忽视的短板：对构图意图的理解与可控生成。构图是一种高层次的视觉意图，它决定了画面中各个主体被放置在什么位置、整个场景如何组织，然而当前的主流统一多模态模型在细粒度构图识别上并不可靠，也难以把这种意图转化为可控的图像生成结果。COMPASS 的核心主张是，把构图感知与构图引导的生成统一到同一个系统之中，并以一个共享的专家 token（记作 τ_c）作为整个框架的意图锚点。
在感知一侧，COMPASS 以尽量不侵入原有结构的方式，把构图专业知识注入到 MoE 主干网络中，并把模型推断出的构图意图蒸馏进 τ_c 这个 token 中。在生成一侧，COMPASS 直接复用同一个 τ_c 作为全局条件信号，用它来引导扩散模型的去噪轨迹，从而把原本被动的构图分析转化为显式的布局控制。这一设计的关键在于：感知阶段得到的意图表征与生成阶段使用的条件信号是同一个对象，避免了两个任务之间的表征割裂，使系统能够真正“理解构图”并用这种理解去“控制构图”。
为了支撑大规模、系统化的、遵循指令的构图学习与评测，研究团队构建了 Comp-11 数据集。该数据集采用 11 类分类体系，并配有经过推理增强的标注，为模型学习构图类别、以及评估模型对构图指令的遵循程度提供了基础。论文中的大量实验表明，COMPASS 在类别级构图理解方面相较基线有显著提升，同时在生成质量上表现出更强的构图一致性与对提示词的忠实度，优于多个强基线方法。
从方法与工程角度看，这项工作的重要性体现在三个方面。其一，它把构图识别与布局控制放在统一框架内，用共享 token 打通感知与生成，为统一多模态模型的细粒度控制提供了新的思路。其二，它提出的最小侵入式专家注入与意图蒸馏策略，让研究者能在不破坏既有主干能力的前提下增强构图理解。其三，Comp-11 的 11 类分类体系与推理增强标注，为后续研究提供了可复用的评测基准，有助于推动指令级构图控制这一方向的标准化比较。
需要说明的是，该论文目前为 arXiv 预印本 v1 版本，尚需经过同行评审与后续复现验证；其公开摘要主要给出了框架设计与实验结果的整体结论，关于具体实现细节、算力开销、失败案例以及在更开放场景下的泛化表现，仍有待全文与后续工作进一步披露。论文于 2026 年 6 月 27 日 02:43:13 UTC 提交，全文约 20,107 KB，可通过 arXiv 获取 PDF、实验性 HTML 与 TeX 源码。