GenRouter: Unified Workflow Routing for Agentic Image Generation

The rapid evolution of text-to-image (T2I) generation models has effectively solved the foundational challenge of raw pixel synthesis, shifting the community's focus toward fulfilling increasingly intricate user requests. While recent agentic image generation workflows enhance static inference with advanced capabilities like external knowledge retrieval and iterative reasoning, they mostly operate in isolated silos with fixed ``one-size-fits-all" topologies. This inevitably leads to severe compute-mismatch, where simple queries are forced through computationally heavy pipelines. To bridge this gap, we present GenRouter, the first unified workflow routing framework for agentic image generation. We first formulate GenCanvas, standardizing diverse agentic pipelines into a universal set of foundational primitives and executable templates. Operating over this unified space, GenRouter adaptively routes heterogeneous prompts to their optimal workflows via (i) demand profiling, (ii) experience matching, and (iii) Pareto filtering. Extensive experiments across diverse benchmarks demonstrate that GenRouter achieves superior visual alignment while reducing execution costs by over 95% and latency by 65% compared to heavyweight static pipelines. Furthermore, the system continuously self-evolves via accumulated experience, enabling robust zero-shot generalization that boosts performance and halves computational overhead.

한 줄 요약

GenRouter는 다양한 이미지 생성 워크플로우를 통합하고 효율적으로 라우팅하여 비용과 지연을 95%와 65% 줄이는 첫 번째 통합 프레임워크이다.

핵심 기여도

**GenCanvas**: 다양한 에이전트 기반 이미지 생성 파이프라인을 표준화된 기본 원시(primitive)와 실행 템플릿으로 통합.
**GenRouter**: 수요 프로파일링(demand profiling), 경험 일치(experience matching), 파레토 필터링(Pareto filtering)를 통해 최적의 워크플로우를 동적으로 라우팅.
**실험 결과**: 기존 정적 파이프라인 대비 실행 비용 95%, 지연 65% 감소.
**자체 진화**: 경험 축적을 통해 시스템이 스스로 개선하며 제로샷 일반화 성능 향상.

핵심 아이디어

기존 에이전트 기반 이미지 생성 시스템은 고정된 "하나의 크기로 모든 것(one-size-fits-all)" 구조로 인해 단순한 요청에도 과도한 계산 자원이 소모되는 문제를 겪고 있다. 이를 해결하기 위해 GenRouter는 GenCanvas라는 표준화된 워크플로우 공간을 도입하여 다양한 생성 프로세스를 `search`, `reason`, `verify`, `sketch` 등의 기본 원시(primitive)로 분해하고, 이를 기반으로 `DirectGen`과 `HybridGen` 등 다양한 템플릿을 정의한다.

GenRouter는 세 단계의 핵심 알고리즘을 통해 요청에 맞는 최적의 워크플로우를 선택한다. 첫째, 수요 프로파일링(demand profiling)을 통해 요청의 특성을 정량적으로 분석하고, 둘째, 과거 실행 기록과 경험 카드(experience card)를 활용한 경험 일치(experience matching)를 수행하며, 셋째, 비용을 고려한 파레토 필터링(Pareto filtering)을 통해 비효율적인 설정을 제거한다. 이는 단순히 정적 파이프라인을 선택하는 것이 아니라, 요청의 특성에 따라 유연하게 조합 가능한 실행 경로를 동적으로 결정하는 점에서 혁신적이다.

기술적 접근법

**GenCanvas**: 다양한 에이전트 기반 이미지 생성 워크플로우를 `search`, `reason`, `verify`, `sketch` 등의 기본 원시(primitive)로 분해하고, `DirectGen`, `HybridGen` 등 실행 가능한 템플릿을 정의.
**GenRouter**:
**Demand Profiling**: 요청의 특성을 정량적으로 분석하여 경량화된 태스크 서명(task signature) 추출.
**Experience Matching**: 과거 실행 기록과 경험 카드(experience card)를 기반으로 후보 워크플로우의 전체 유틸리티 예측.
**Pareto Filtering**: 비용을 고려한 파레토 최적(Pareto-optimal) 필터링을 통해 비효율적인 설정 제거.
**실험 설정**: 수요 프로파일러는 Qwen3.5-4B 사용. `reason`, `verify` 등의 원시는 Kimi K2.5 사용. 외부 지식 검색은 Serper Search.
**하이퍼파라미터**: 라우팅 유틸리티에서 λc = 5.0, λl = 0.0006.

주요 결과

**비교 대상**: GEMS 등 기존 정적 파이프라인 대비.
**성능 향상**:
실행 비용 95% 감소
지연 65% 감소
**일반화 성능**: 경험 축적을 통해 시스템이 스스로 진화하며, 제로샷 일반화 성능 향상 및 계산 오버헤드 절반 감소.
**템플릿 활용**: `DirectGen`과 `HybridGen` 등 다양한 템플릿을 통해 요청 별 최적화된 경로 선택.

의의 및 한계

GenRouter는 기존 에이전트 기반 이미지 생성 시스템의 단점을 극복한 첫 번째 통합 라우팅 프레임워크로, 다양한 워크플로우를 유연하게 관리하고 비용 효율성을 극대화한다. GenCanvas를 통해 표준화된 인프라를 제공함으로써, 연구자들이 다양한 기술을 모듈화하고 확장적으로 활용할 수 있는 기반을 마련한다. 또한, 경험 기반의 라우팅과 자기 진화 기능을 통해 시스템이 시간이 지남에 따라 스스로 개선되며, 제로샷 환경에서도 안정적인 성능을 보장한다.

그러나, GenRouter는 여전히 특정 유형의 요청에 대해서는 경험 데이터가 부족할 수 있으며, 초기 라우팅 정확도가 낮을 수 있다는 한계가 있다. 또한, 경험 카드(experience card)의 품질이 라우팅 정확도에 직접적인 영향을 미치므로, 이를 정확히 추출하고 관리하는 것이 중요하다.

실용적 활용

GenRouter는 복잡한 이미지 생성 요청을 처리하는 클라우드 기반 생성 AI 서비스, 대규모 이미지 생성 플랫폼, 또는 멀티모달 에이전트 시스템에 적용할 수 있다. 특히, 다양한 유형의 사용자 입력을 처리하면서도 비용과 지연을 최소화해야 하는 산업 현장에서 유용하게 활용될 수 있다.