Adobe Research与UCSD推出EditAgent：用统计验证数据让通用大模型在图像编辑评估中超越微调模型

Adobe Research（美国Adobe公司研究部门）与UC San Diego（美国加州大学圣地亚哥分校）的研究人员推出了名为EditAgent的AI图像编辑系统。该系统旨在解决通用图像编辑器在处理复杂指令时失败率高的问题，其核心机制是将编辑任务分解为子步骤，并为每个步骤同时调用通用编辑器和专用工具（如锐化、旋转、缩放），生成多个候选结果。

与传统方法不同，EditAgent不依赖反复重试同一编辑器，而是引入一个未经过特定微调的标准语言模型作为“裁判”。该模型接收包含编辑区域特写、变化映射图以及亮度和颜色统计数据的验证记录。研究表明，这些硬数值帮助标准模型识别出通用编辑器可能造成的过度曝光或色温偏移，从而选出更优结果。

在包含600项图像编辑任务的基准测试中，由五名专业人士盲评的结果显示，当提供验证数据时，包括Qwen3.8-27B在内的七个标准语言模型均超过了经过人类评分微调的最佳评估模型EditScore-72B。其中，Qwen3.8-27B选出可用结果的准确率达到81.3%，高于EditScore-72B的74.8%。这一发现表明，对于评估模型而言，输入数据的结构化程度可能比训练方式更为关键。

尽管EditAgent在三个基准测试中提升了开源编辑器Qwen-Image-Edit-2511和Flux-2-Klein-9B的表现，并优于其他七种AI代理，但其主要限制在于计算资源消耗。该代理所需的算力约为单次编辑器操作的十倍。此外，研究人员利用EditAgent生成的约26,000个经过验证的训练样本对编辑器进行微调，结果显示性能有所提升，这暗示高算力成本可能通过生成高质量训练数据得到部分抵消。