AI影像編輯測試600組中256組失敗，專業方法在175組產出可用結果

研究團隊設計的600組影像編輯任務中，通用型編輯模型 FLUX.2-klein-9B 有256組未能產出可用結果；專業方法則在其中175組產出可用結果。

Adobe（NASDAQ：ADBE）的研究部門 Adobe Research 與加州大學聖地牙哥分校（UC San Diego）研究團隊，於2026年10月29日提交至 arXiv 的論文《EditAgent: Rethinking Agentic Image Editing》中提出 EditAgent。這套研究系統會將複雜編輯要求拆成多個步驟，再為每個步驟選擇合適工具。

診斷實驗涵蓋30種編輯類型，每種類型有20組任務，共計600組。每組包含原始影像、編輯指示，以及通用編輯器和專業工具產生的候選結果。

5名專業 Photoshop 編輯人員檢視候選結果。81組任務沒有任何可用的候選結果，占總數13.5%。

上述失敗率與專業方法產出的結果，只適用於研究團隊設計的實驗及 FLUX.2-klein-9B，不能代表所有影像編輯模型或實際使用者工作的表現。

EditAgent 會將要求拆成編輯步驟，再依工作內容選擇方法；例如物件移除或移動、色彩校正、旋轉或放大等操作，都可搭配相應的專業方法與通用編輯器。

系統會讓多種工具從原始影像平行產生候選結果，再一次比較，而非像逐步修改一樣反覆編輯前一步的結果。

每個候選結果都附有編輯區域的放大圖、與原始影像相比的變化圖、亮度與色彩測量值，以及程式碼檢查結果。視覺語言模型（VLM）會參考這些資料，判斷各項結果是否符合指示。

研究團隊以144項複雜程度不同的編輯要求，比較平行探索和逐步修改兩種方式，並由5名專業 Photoshop 編輯人員參與評估。

編輯人員在102項任務中偏好平行探索，在28項中偏好逐步修改，另有14項判定平手。排除平手後，在130項任務中，平行探索的偏好率為78.5%。

兩種方式每項要求最多都會產生4張影像。評估模型的呼叫次數方面，平行探索最多為2次，逐步修改則為4次。

在 EdiVal 評估中，以 FLUX.2-klein-9B 為基礎的系統，EdiVal-O 第三輪分數在單獨使用時為53.20分，搭配 EditAgent 後為59.45分。EdiVal-O 是累積評估指標，也會衡量編輯要求持續進行時，系統是否保留先前指示。

研究團隊另將 EditAgent 核准的約2萬5,700個編輯工作階段，作為另一個編輯器的訓練資料。這些工作階段並非全由專業編輯人員審核，而是由系統的評估模型核准。

Adobe於2026年6月18日宣布，AI Assistant在 Photoshop、Premiere 等產品推出公開測試版。不過，這篇論文沒有表示 EditAgent 已應用於 Adobe 產品。

本刊先前曾報導 Figma 公布供 AI 代理使用的設計規則編輯器。論文沒有指出這項產品發布與 EditAgent 研究之間存在直接關聯。

依 EdiVal 比較表列出的 H100 GPU 小時數，Qwen-Image-Edit-2511 單獨編輯器為1.1，搭配 EditAgent 的系統為12.9；FLUX.2-klein-9B 單獨編輯器為0.5，搭配 EditAgent 的系統為6.3。