EditAgent: így szerkesztene képet egy Photoshop-profi agent

Mi a gond a mai képszerkesztő agentekkel?

Az agentes képszerkesztők lépésekre bontják a kérést, de ha egy lépés nem sikerül, többnyire ugyanazzal az eszközzel próbálkoznak újra. Az eredményt egy judge modell ítéli meg, általában csak ránézésre. Az Adobe Research és a UC San Diego friss tanulmánya szerint ez két korlát: mit tud csinálni az agent, illetve mit lát belőle a judge.

A kutatók 600 szerkesztési feladatból álló benchmarkot raktak össze 30 szerkesztéstípusra, amelyet profi Photoshop-szerkesztők vakon pontoztak. Az általános célú Flux-2-Klein-9B editor az esetek 42,7%-ában egyetlen használható eredményt sem adott. A 256 kudarcból 175-öt egy specializált eszköz megoldott, főleg geometriai, tónus- és élesítési feladatoknál.

Hogyan működik az EditAgent?

• Minden lépést egyszerre több módszer kap meg: az általános editor és a feladathoz illő specializált eszközök, például forgatás, zoom vagy fényerő-állítás.
• A változatok párhuzamosan készülnek az eredeti képből, nem egymásra épülve. A szakértők az egyértelmű döntések 78,5%-ában ezt választották a lépésenkénti finomítás helyett, feleannyi judge-hívással.
• Minden változat mellé verification record kerül: változási térkép, nagyítás a szerkesztett részről, mért fényerő- és színstatisztika, illetve a kóddal ellenőrzött tények listája.
• Egy általános VLM egyetlen hívásban hasonlítja össze az összes jelöltet, finomhangolás nélkül.

A legérdekesebb eredmény a judge-ról szól. Verification record nélkül a hét tesztelt általános modell közül egyik sem érte el a legjobb finomhangolt értékelőt, az EditScore-72B-t (74,8%). A rekordokkal mind a hét túlszárnyalta. A Qwen3.8-27B 81,3%-ot, a Qwen3.8-Flash-Next 82,8%-ot ért el.

Forrás: Adobe Research, UC San Diego (EditAgent, 5. ábra). Hét általános VLM judge találati aránya verification record nélkül és vele, a finomhangolt értékelő modellek mellett.

Mi a mérleg?

Az EditAgent javította a nyílt Qwen-Image-Edit-2511 és Flux-2-Klein-9B editorokat három benchmarkon (EdiVal, Complex-Edit, ComplexBench-Edit). Az ár a sebesség: a szerzők szerint nagyjából tízszer annyi inferenciaidőt igényel, mint egy önálló editor, a teljesítménye pedig a bekötött eszközökön múlik.

Ezt részben ellensúlyozza, hogy adatgyárként is használható. Mivel csak ellenőrzött szerkesztéseket fogad el, az így gyűjtött mintákkal finomhangolt editorok mindhárom benchmarkon javultak. A The Decoder szerint a Flux által közvetlenül generált tanítóadat ezzel szemben rontott a Fluxon (The Decoder). Az Adobe júniusban vezetett be agenteket a Photoshopban és más Creative Cloud appokban, így a kutatás egyenesen a saját termékeik kérdéseire felel.

A fejlesztői tanulság túlmutat a képszerkesztésen: egy LLM-as-a-judge sokszor nem jobb tanítást, hanem jobb bemenetet igényel. Mért adatokkal és célzott kivágásokkal egy általános modell is megbízhatóbb bíró lehet egy erre tanított modellnél.