Adobe EditAgent 论文：用硬指标和并行生成让 AI 编辑接近专业水平

Adobe Research 与 UC San Diego 联合发布 EditAgent 系统，通过引入硬指标验证数据和并行候选生成机制，使通用语言模型在图像编辑任务中的表现超越专门微调的评估模型。该研究基于 600 次编辑测试，发现通用编辑器 Flux-2-Klein-9B 失败率高达 42.7%，而专用工具解决了约三分之二的失败案例。

核心创新在于两个机制：一是为每个变体提供包含变化图、亮度色彩统计数据的验证记录，使得 Qwen3.8-27B 等标准模型无需微调即可达到 81.3% 的可用选择率，超过 EditScore-72B 的 74.8%；二是采用并行生成策略而非迭代修正，专家在 78.5% 的比较中偏好从原始图像生成的多个变体，同时减少了一半的评估次数。此外，系统还包含后检查机制防止后续编辑意外撤销先前修改。

尽管 EditAgent 在 EdiVal 基准上超越 Seedream 4.0 和 GPT-Image-1.5 等商业模型，但需要约十倍于单编辑器的算力成本。不过该系统产生的 26,000 个验证结果可作为训练数据，使微调后的编辑器性能全面提升。值得注意的是，Black Forest Labs 已用参数量更小的 Flux 3 Image Klein 替换了原测试模型，其内部测试得分高于所有其他开源模型及商业版 Flux 2 Pro。

事实层面，EditAgent 确实在三个基准上提升了开源编辑器表现；推断层面，高算力成本可能通过数据生成价值得到补偿；猜测层面，Adobe 六月上线的 Photoshop AI Agent 是否采用类似架构仍需观察。