近年來，多模態模型在影像理解和生成方面取得了顯著進展，但在處理構圖（composition）這一高層次的視覺意圖時仍顯不足。構圖決定了主體的位置和場景的組織方式，然而現有模型往往無法可靠地進行細粒度識別，也難以將這種意圖轉化為可控的生成。針對這一挑戰，來自學術界的研究團隊提出了 COMPASS 框架，旨在將構圖意圖控制融入統一的多模態系統。
COMPASS 的核心創新在於引入了一個共享專家令牌 τ_c，作為構圖意圖的中心錨點。在感知端，COMPASS 以最小侵入方式向混合專家（MoE）骨幹網路注入構圖專業知識，並將推理出的意圖蒸餾到 τ_c 中。在生成端，COMPASS 複用了這個 τ_c 作為全域性條件訊號，引導去噪軌跡，從而將被動的構圖分析轉化為顯式的佈局控制。這種設計使得模型能夠在單一框架內同時進行構圖理解和生成。
為了支援系統化的構圖學習和評估，團隊還構建了 Comp-11 資料集。該資料集包含 11 個類別的分類體系，並提供了推理增強的標註，能夠在較大規模上支援指令遵循式的構圖學習。實驗結果表明，COMPASS 在類別級的構圖理解上取得了顯著提升，並且在生成結果的構圖一致性和提示忠實度方面均優於強基線方法。例如，在多個基準測試中，COMPASS 在分類精度和生成質量上都達到了新的高度。
COMPASS 的提出為多模態模型的構圖能力提供了統一的解決方案，有望在影像編輯、佈局生成等應用場景中發揮重要作用。研究團隊已將論文和相關資料公開，供學術界進一步探索。未來工作可能包括將 COMPASS 擴充套件到影片構圖等領域。