Adobe Researchとカリフォルニア大学サンディエゴ校は10月29日、arXivに論文「EditAgent: Rethinking Agentic Image Editing」を発表した。既存の画像編集エージェントは複雑なリクエストをステップに分解するが、あるステップで失敗した場合、同じエディタで繰り返し再試行し、評価モデルに「目視」で採点させるのが一般的だった。EditAgentは各ステップを汎用エディタと専用手法（局所編集、色調調整、スタイル変換など）に並行して処理させ候補を生成し、各候補に検証記録（局所拡大図、変化領域マップ、輝度・色彩統計など）を添付する。その後、既存の視覚言語モデルがすべての候補を一度に比較して最適なものを選択する。さらに、各ラウンドの終了時には、後続の編集が先行する変更を意図せず取り消していないかを確認する。
信頼度：高（95） · イベント日時 2026-10-29
理由
- 論文の核心的な結論は「評価者が何を見るかが、どのように訓練されるかよりも重要である」という点にある。検証記録を添付することで、専門的な訓練を行わない汎用視覚言語モデルによる結果選択の精度が、人間の評価で微調整された報酬モデルを上回った。
- また、これはデータエンジンとしても機能する。検証を通過した結果のみを保持して編集モデルを訓練することで、論文によればオープンソースのエディタが3つのベンチマークで性能向上するという。Qwen-Image-EditやFlux.2 Kleinといったオープンソース編集モデルのユーザーにとって、これは「複数ツールの並行実行＋証拠に基づく評価」というワークフローの考え方である。
- AdobeはすでにCreative Cloudアプリでエージェント機能を公開ベータ版として提供しており、本研究は同社の製品における「適切なツールの選択」と「結果の自己検証」という課題に直接対応している。
利用方法
- 論文はarxiv.org/abs/2610.39664で公開されており、プロジェクトページ editagent.github.io には手法図とサンプルギャラリーがある。コードは「soon（近日公開）」と記載されており、現時点では利用できない。
リスク
- 代償は計算コストである。The Decoderによると、エージェント全体で単一のエディタの約10倍の計算量が必要となり、効果は統合された専用ツールに依存する。
- 論文の要旨では、汎用エディタが4割以上のケースで利用可能な結果を出力できないこと、また専門家による78.5%の明確な好みが示された比較において、並行候補がより好まれることが述べられている。これらの数値は著者らが独自に構築し、専門家によってアノテーションされたベンチマークに基づくものであり、査読を経ておらず、コードとベンチマークはまだ公開されていない。