Adobe 与 UC San Diego 提出 EditAgent，让 AI 智能体像…

要点

Adobe 研究人员构建了一个用于图像编辑的 AI 智能体，它将通用编辑器与专用工具配对使用。一个标准语言模型利用实测数据比较结果，并挑选出最佳的一个。

用于图像编辑的 AI 智能体将复杂请求分解为多个步骤，通常会用相同的工具重试失败的步骤，而另一个模型则通过肉眼观察来评判输出结果。

根据一篇新论文，Adobe Research 和 UC San Diego 的研究人员希望用 EditAgent 来改变这一现状，该系统的工作方式更像 Photoshop 中的专业人士。它为每项任务挑选合适的工具，并用确凿的数据将结果与原始图像进行比较。

通用编辑器在过多任务上失败

在一项由五位专业人士盲评的600次图像编辑测试中，通用编辑器Flux-2-Klein-9B有42.7%的情况未能生成可用结果。专用工具解决了其中约三分之二的失败，尤其是在锐化、旋转和缩放方面。使用同一编辑器进行更多次重试几乎无济于事。

研究人员还测试了智能体是通过逐步细化结果，还是通过并行生成多个变体表现更好。迭代细化会累积小错误，因为每一轮都建立在已经修改过的图像之上。在专业人士选择了一方的比较中，有78.5%的情况他们更偏好从原图生成的并行变体。该智能体所需的评估轮次只有一半。EditAgent正是基于这两项发现构建的。

确凿的数据让标准模型成为更好的评判者

EditAgent 分步骤规划请求，并在每一步让通用编辑器与相匹配的专用工具一较高下。随后，一个标准语言模型在单次处理中比较所有变体。

对于每个变体，模型会收到一份验证记录，其中包含编辑区域的近景图、改动区域的变化图，以及关于亮度和色彩的实测统计数据。在一个示例中，一张照片本应被轻微提亮。数据显示，通用编辑器将其过度曝光，并使色彩偏暖。专用工具则保持在规格范围内。

研究人员在他们包含 600 次编辑的基准上对此进行了测试。评判模型必须从若干候选中选出最佳结果，他们统计了它选中专业人士也评为可用的图像的比例。作为对照，他们运行了 EditScore 等在图像编辑人工评分上微调过的模型。

没有验证记录时，测试的七个语言模型没有一个能比得上最好的微调模型。有了它，七个模型全都超过了每一个微调模型。Qwen3.8-27B 有 81.3% 的情况下做出了可用的选择，而 EditScore-72B 为 74.8%。对研究人员来说，这表明评判模型所看到的内容可能比它如何被训练更重要。

每一轮之后，EditAgent 还会检查后续编辑是否意外撤销了先前的编辑。在论文的示例中，指令“让更多日光进来”使一扇先前磨砂的窗户重新变得透明。智能体发现了这一冲突并加以修正。

EditAgent在三个基准上改进了开源编辑器Qwen-Image-Edit-2511和Flux-2-Klein-9B，并超越了另外七个AI智能体。在EdiVal基准上，Qwen变体在第三轮编辑中险胜商业模型Seedream 4.0和GPT-Image-1.5。但该智能体所需的计算量约为单一编辑器的十倍，且其表现取决于接入的是哪些工具。

该智能体为更快的编辑器生成训练数据

研究人员还将EditAgent用作数据来源。由于该智能体只保留经过验证的结果，它产出了约26,000个训练样本。在该数据上微调的编辑器在三个基准上均表现更好。相比之下，直接由FLUX生成的训练数据实际上让FLUX变得更差。随着时间推移，这一权衡可能使该智能体的高计算成本变得值得。

Adobe 于 6 月将 AI 智能体加入 Photoshop、Premiere 及其他 Creative Cloud 应用，最初以公开测试版形式推出。用户描述自己想要的效果，智能体则负责处理各个具体步骤。这些智能体能否正确选择工具并检查自身输出，是一个直接适用于 Adobe 已发布产品的问题。此后，Black Forest Labs 已替换了论文中测试的通用模型：新的 Flux 3 Image Klein 拥有 56 亿参数，比 Flux 2 Klein 更小，但在 Black Forest Labs 的内部测试中，它的得分高于所有其他开源模型，甚至高于商业版 Flux 2 Pro。