ヘンググアン・ゾウ (Hengguang Zhou) 氏らは2026年10月14日(現地時間)、arXiv cs.CVに、実行可能なプログラムを通じて画像を構築する汎用コーディングエージェントに関する研究論文を公開した。専門の生成モデルとは異なるアプローチを探求し、AgentDrawBench（200プロンプトのベンチマーク）を用いたゼロショット描画研究でその能力プロファイルを明らかにした。エージェントは構造の維持と正確な視覚的制約の充足に優れる一方で、知覚的な豊かさには限界があることが示された。
研究では、コードを外部の視覚的思考言語として検討し、エージェントが構築・検査できる構造化された実行可能な表現として扱った。視覚的質問応答タスクで検証した結果、再構築された視覚コードが質問応答に重要な情報を保持し、一部のドメインでは元の画像よりも高い精度をサポートすることが判明した。
さらに、エージェントが特定の描画プログラムを超えてシーンコンテンツの共有された内部表現に依拠するかどうかの問いを探求した。これは、共有された構成的に構造化された表現が、異なる描画言語全体で視覚操作をサポートするという内部視覚的思考言語仮説に基づいている。
クロスハーネス描画や、独立した単一ピクセルクエリから組み立てられた画像は、関連するレイアウトとトーンを示した。また、可視描画が削除された後も、エージェントが視点を超えて自己生成された部屋の配置を維持する能力も確認された。これらの結果は、コーディングエージェントがハーネスが関与し、生成が開始される前でさえ、その想像内に一貫性のある世界を維持できることを示している。
参考: arXiv cs.CV — 2026年10月15日 13:00 (JST)
原文ハイライト"general-purpose coding agents that construct images through executable programs."