Adobe Research и Калифорнийский университет в Сан-Диего 10 29 опубликовали на arXiv статью EditAgent: Rethinking Agentic Image Editing. Существующие агенты редактирования изображений разбивают сложные запросы на шаги; при сбое на каком-либо шаге они обычно повторно используют один и тот же редактор, а затем позволяют модели-оценщику ставить оценки «на глаз». EditAgent параллельно передает каждый шаг как универсальному редактору, так и специализированным методам (локальное редактирование, тональная коррекция, стилизация и т. д.) для генерации кандидатов, прилагает к каждому кандидату отчет о проверке (локальные крупны планы, карты измененных областей, статистика яркости и цвета и т. д.), а затем позволяет готовой визуально-языковой модели сравнить все кандидаты за один проход и выбрать лучший; в конце каждого раунда также проверяется, не отменили ли последующие правки предыдущие изменения незаметно.
Уверенность: высокая (95) · Время события 2026-10-29
Обоснование
- Основной вывод статьи заключается в том, что «важнее то, что видит оценщик, чем то, как он обучен»: после добавления отчетов о проверке точность выбора результатов универсальной визуально-языковой модели, не прошедшей специальную подготовку, превзошла точность модели вознаграждения, дообученной на человеческих оценках.
- Это также механизм генерации данных: обучение моделей редактирования только на результатах, прошедших проверку, согласно статье, позволяет усилить открытые редакторы на трех бенчмарках; для пользователей открытых моделей редактирования, таких как Qwen-Image-Edit и Flux.2 Klein, это подход к рабочему процессу «параллельное использование нескольких инструментов + оценка на основе доказательств».
- Adobe уже запустила агентские функции в приложениях Creative Cloud (в открытом бета-тестировании), и данное исследование напрямую относится к проблеме «выбора правильного инструмента и самопроверки результатов» в их продуктах.
Использование
- Статья доступна по адресу arxiv.org/abs/2610.39664, на странице проекта editagent.github.io представлены схемы методов и галерея примеров; код помечен как «скоро», и пока недоступен.
Риски
- Цена — вычислительные ресурсы: по данным The Decoder, весь агент требует примерно в десять раз больше вычислений, чем один редактор, а эффективность зависит от подключенных специализированных инструментов.
- В аннотации статьи указано, что универсальные редакторы не могут предоставить пригодный результат более чем в 40% случаев, а эксперты в сравнениях с четкими предпочтениями на 78.5% предпочитают параллельные кандидаты; эти цифры получены с помощью собственного бенчмарка авторов, размеченного экспертами, и не прошли рецензирование, код и бенчмарк пока не опубликованы.