一句话结论：Adobe Research 与 UC San Diego 团队在 10 月 29 日提交的论文 EditAgent 给出了图像编辑智能体的一个硬数字：通用编辑器在 600 组专业盲评里有 42.7% 交不出任何可用结果。解法也不在多试几次上，而在同时扩两个空间，让智能体换工具，让评判者看到证据。
真实用户的编辑请求很少只包含一个动作。把人往画面左边挪、再拉宽镜头、再把路人去掉，智能体必须拆成多步，每步都可能失败。现有做法是同一步失败了就用同一套工具再抽几张，让一个评分模型肉眼挑一张好。这个流程在工程上顺手，在效果上却有一个被长期掩盖的缺口。
EditAgent 这篇论文给不出一个更强的编辑模型，它做的是把缺口量了出来，并且证明这个缺口来自两个可以分别诊断、分别扩大的空间：智能体可以做什么，以及评判者能看见什么。相关背景可以先看 Qwen-Image-2.1 的编辑能力拆解 与 FLUX.2 klein 9B 的 KV Cache 优化，这两条线正是论文里被用作底座的开源编辑器。
42.7% 的失败率：从 600 组盲评里挖出来的两个瓶颈
论文的第一步是造一个诊断基准。团队请专业 Photoshop 编辑师对 600 组候选结果做盲标，覆盖 30 种编辑类型，分成内容、风格与效果、场景、照片质感、几何、增强六组。每一组都同时包含通用编辑器的产物和专用方法的产物，编辑师不知道哪张来自哪条路径。
结果拆开看是这样的：
| 候选集合构成 | 组数 | 占比 |
|---|---|---|
| 只有通用编辑器候选可用 | 254 | 42.3% |
| 只有专用方法候选可用 | 175 | 29.2% |
| 两类候选都可用 | 90 | 15.0% |
| 没有任何候选可用 | 81 | 13.5% |
因为每一组都至少含一张通用编辑器的图，通用编辑器实际失败 256 组，也就是 42.7%。专用方法救回了其中 175 组。剩下的事实更关键：把通用编辑器多采样几次，这些失败并不会自己消失。失败集中在几何、影调与增强编辑这三类；风格与效果类反而有 73.8% 的集合只能靠通用编辑器。
通用编辑器不够强所以多试几次，这个解释站不住。失败的原因是任务类型不匹配，采样次数再多也补不上。论文把这两个瓶颈正式命名为动作空间（智能体可以调用的手段）和观察空间（评判者能看到的证据），而现有 agentic 编辑流程两处都窄。
动作空间：把专用工具和通用编辑器并列摆在桌上
EditAgent 的路由规则不复杂，甚至有点朴素。论文列了一张操作映射表：删除目标走通用编辑器加专用删除器，重绘颜色走通用编辑器加蒙版重着色，复用风格走通用编辑器加神经风格迁移，旋转和翻转则直接交给精确旋转与翻转工具。每一步尝试最多产出 3 个候选，每步最多尝试 3 次，每轮最多重规划 2 次。
关键在于这些专用工具与通用编辑器是从同一张源图并行生成。一个失败了在另一个的结果上继续改会累积误差，并行生成不会。论文给出的专业编辑师偏好数据是 78.5% 的非平局对比更偏向并行变体，而评判调用次数最多只用掉顺序打磨的一半。
这也解释了为什么它能把动作空间扩出去之后收益立刻兑现：路由不需要提前知道哪种编辑会失败，只需要同时把可能对路的工具都叫上来，让后面的比较环节去决定。
观察空间：一份验证记录让现成 VLM 反超微调奖励模型
观察空间是这篇论文更反直觉的一半。传统流程里，评判模型只看得到源图、结果图和指令三个东西，然后凭感觉给分。EditAgent 给每个候选附上一份验证记录，里面有三样东西：编辑区域的放大图、被改动区域的变化图、以及亮度和色彩的实测统计。
效果是量级上的：
| 评判模型 | 逐点评分 | 一次性列表比较 | 提升 |
|---|---|---|---|
| EditScore-7B | 65.9 | 不适用 | 不适用 |
| EditScore-32B | 68.0 | 不适用 | 不适用 |
| EditScore-72B | 70.3 | 不适用 | 不适用 |
| EditScore-72B Ensemble@4 | 76.3 | 不适用 | 不适用 |
| Qwen3.5-27B | 71.7 | 85.2 | 13.5 |
| Qwen3.8-27B | 72.1 | 85.9 | 13.8 |
| Gemma-4-31B | 73.8 | 86.1 | 12.3 |
没有验证记录时，七个语言模型没有一个追平按人类评分微调过的 EditScore-72B（74.8%）。补上记录之后，七个全部越过了所有微调奖励模型，最高的 Qwen3.8-Flash-Next 拿到 82.8%，比最强微调评判器高 8.0 分。
验证记录带来的增益在不同编辑类别上分布也不均，只有光靠证据不够：
| 配置 | 内容 | 风格 | 场景 | 几何 | 增强 | 总分 |
|---|---|---|---|---|---|---|
| 只有列表比较 | 84.4 | 81.7 | 67.5 | 54.2 | 66.4 | 71.6 |
| 列表比较加内容记录 | 87.1 | 87.1 | 72.0 | 47.2 | 78.6 | 73.6 |
| 列表比较加全部记录 | 87.6 | 86.4 | 81.9 | 64.4 | 81.4 | 81.3 |
几何类在只加内容记录时反而掉到 47.2，补齐证据才回到 64.4。证据不是可有可无的装饰，它是几何类任务能被正确评判的前提。
三个基准上的实际提升，以及推理成本账单
论文用 Qwen-Image-Edit-2511 和 FLUX.2-klein-9B 两个开源编辑器做底座，在 EdiVal、Complex-Edit、ComplexBench-Edit 三个多轮基准上跑完整流程：
| 底座模型 | EdiVal-O 第 1 轮 | 第 2 轮 | 第 3 轮 |
|---|---|---|---|
| Qwen-Image-Edit-2511 | 75.97 | 58.58 | 47.64 |
| 加 EditAgent | 80.64 | 67.02 | 55.46 |
| FLUX.2-klein-9B | 81.37 | 66.30 | 53.20 |
| 加 EditAgent | 84.46 | 71.10 | 59.45 |
提升最大的一轮往往是第三轮，也就是多轮累积之后。FLUX.2-klein-9B 在第三轮从 53.20 涨到 59.45，Qwen-Image-Edit-2511 从 47.64 涨到 55.46。首轮差距不大，说明 EditAgent 的价值不在把第一步做得更好，而在让后面的步骤不塌方。
和多智能体类基线比，位置是这样的（EdiVal-O，FLUX.2-klein-9B 底座）：
| 方法 | 第 1 轮 | 第 2 轮 | 第 3 轮 | 推理成本 |
|---|---|---|---|---|
| IMAGAgent | 82.63 | 68.00 | 55.21 | 4.6 |
| GenArtist | 82.94 | 67.48 | 54.74 | 5.2 |
| RISE-Agent | 83.95 | 70.30 | 58.42 | 7.2 |
| EditAgent | 84.46 | 71.10 | 59.45 | 6.3 |
| 独立编辑器 | 81.37 | 66.30 | 53.20 | 0.5 |
优势明显，但账单同样明显。EditAgent 的推理成本 6.3，是独立编辑器的十余倍。跟商用编辑器的对照更刺眼，同期 FLUX 3 Image 与 Nano Banana 系列在单图成本上的位置可以看 FLUX 3 Image 的 API 定价 与 Nano Banana 2.1 的价格变化，一条要能力一条要成本，这是两条不同的账。
从编辑智能体到数据引擎：2.57 万条被验证过的会话
EditAgent 只接受通过了验证的编辑结果，这些被验收的会话天然构成一批带标签的训练数据。论文累计产出约 2.57 万条，用它们微调编辑器，效果超过直接用底座 FLUX.2-klein-9B 生成的训练数据：
| 基线模型 | 训练数据来源 | EdiVal-O 第 3 轮 | ComplexBench-Edit 均分 |
|---|---|---|---|
| FLUX.2-klein-base-9B | 无微调 | 54.53 | 57.84 |
| FLUX.2-klein-9B | FLUX.2-klein-9B 直接生成 | 52.83 | 57.47 |
| FLUX.2-klein-9B | EditAgent | 56.53 | 59.98 |
这行对比的解释很直接。拿底座模型自己生成的数据去训练自己，效果比不训练还差一点；换成 EditAgent 验收过的数据，同样的底座反而涨了 1.7 分左右。数据质量这条规律在图像编辑上和在语言模型上是同一件事。
值得一提的是，这个方向和微软 MAI-Image-2.7 的评测取向是同一路：微软 MAI-Image-2.7 把可验证的编辑质量放在能力宣传前面，两者都没有把榜单 Elo 当作唯一的成功指标。
常见问题
EditAgent 是什么，是新的图像编辑模型吗
它是一套跑在编辑模型外面的智能体框架，不含任何新权重。论文里它做三件事：把每一步路由到通用编辑器和专用方法、从同一张源图并行生成候选、给每个候选附一份验证记录再让 VLM 一次性比较。底座是 Qwen-Image-Edit-2511 或 FLUX.2-klein-9B 这类现成的开源编辑器。
验证记录里到底放了什么，值得单独讲吗
放三样：编辑区域放大图、被改动区域的变化图、亮度和色彩的实测统计。这三样让评判者从凭感觉描述差异变成读证据，实测效果是 7 个语言模型在有记录后全部越过了微调奖励模型，最高的比 EditScore-72B 高 8.0 分。几何类任务尤其依赖证据。
这套方法现在能用吗，代价有多大
论文没有放代码，方法本身需要自己复现。代价写在论文的表里：FLUX.2-klein-9B 底座推理成本 6.3，独立编辑器只有 0.5，多智能体基线里最便宜的 IMAGAgent 是 4.6。也就是说效果提升是真的，但要用十倍出头的推理量去换，在按张计费的商业 API 上不一定划算。
小结
这篇论文的价值是给出了一个此前靠直觉工作的判断的可测版本。42.7% 这个数字把矛头从模型能力挪到了流程设计：工具和证据都被限死了。扩动作空间让 256 组失败里的 175 组被救回，扩观察空间让评判准确率从微调模型的 74.8% 拉到现成 VLM 的 82.8%，两件事相加才让多轮编辑在第三轮还能站住。
如果只记住一件事，就记住并行优于迭代这个判断。78.5% 的专业编辑师在有得选时更愿意要并行变体，反复改到位那张图排在后面。这条结论不只适用于图像编辑，它对所有生成、评价、再生成的循环都是提醒。
相关阅读
- Qwen-Image-2.1 深度：7B 参数实现文生图与编辑大一统
- FLUX.2 klein 9B KV Cache 发布：图像编辑速度提升 2 倍
- 微软 MAI-Image-2.7 图像编辑第二：1193 Elo，无 API 无定价
- FLUX 3 Image 开放 API：像素级编辑加 4K
延伸阅读
- 美团 LongCat-2.0 开源：1.6T 参数每 token 激活 33B–56B，首个五万卡国产集群推理的万亿模型1 月前
- Cloudflare Clef-omni评测：首个音视频开放权重决策模型，130毫秒出结果3 周前
- Qwen-Image-2.1深度：7B参数实现文生图与编辑大一统，小模也有专业级表现3 周前
- Qwen-Image-2.1-Turbo开源：8步出图，采样调度写进权重3 周前
继续读
同一批更新里这几篇值得一看：