EditAgent

【背景】Adobe Research与加州大学圣地亚哥分校（UC San Diego）联合推出EditAgent，旨在解决通用图像编辑模型在复杂指令下可靠性低的问题。该研究指出，传统代理仅靠“目测”评估结果，导致通用编辑器Flux-2-Klein-9B在600项专家盲测中有42.7%无法产出可用结果。

EditAgent的核心创新在于扩展了代理的“行动空间”和“观察空间”。它不再单一重试同一工具，而是为每个步骤并行生成多个候选方案，并引入包含亮度、色彩等硬统计数据的“验证记录”。令人意外的是，未微调的标准语言模型（如Qwen3.8-27B）凭借这些数据辅助判断，其选出可用结果的准确率达到81.3%，超越了专门微调的评估模型EditScore-72B（74.8%）。这表明，给裁判提供精确的数据证据比单纯优化裁判模型的训练更为关键。

尽管EditAgent显著提升了编辑质量并能生成高质量训练数据，但其计算成本约为单次编辑器的十倍。这一权衡引发了关于效率与精度的讨论：是接受高算力换取更可靠的自动化流程，还是继续依赖低成本但易出错的现有方案？随着Adobe将AI代理整合进Photoshop等产品，此类评估机制的实际落地效果值得密切关注。