ACEdit 提出非对称条件训练，缓解多轮图像编辑退化

一句话看懂：Hugging Face Papers 收录的论文 ACEdit 提出一种新的训练方案，针对多轮图像编辑中编辑质量逐步下降的问题，通过让模型在自己的输出上训练，并用教师模型提供监督信号，在论文摘要所述的实验中明显减少长序列编辑的退化。

事件核心：发生了什么

多轮图像编辑是当前图像生成模型的重要使用场景：用户逐步提出修改，模型在上一轮结果上继续编辑。但论文指出，每一轮编辑都会带来轻微的分布偏移，多轮累积后，输入逐渐偏离编辑器训练时见过的分布，导致质量下降。论文提出的 ACEdit 把 Self-Forcing 思路引入图像编辑：训练时强制编辑器处理自己此前生成的输出，而不是只处理干净的真实图像。难点在于自生成轨迹偏离真实轨迹，直接监督不可靠，因此作者引入教师图像编辑器和蒸馏目标来提供训练信号。其核心是非对称条件：学生模型按顺序在自己的输出上编辑，教师模型则始终锚定原始干净图像并接收复合编辑指令。摘要称，实验显示长多轮序列中的退化显著降低，同时保持编辑质量和指令遵循能力。目前公开信息仅为论文摘要，未核验全文实验与同行评审状态。

为什么重要

多数图像编辑模型在单次编辑上表现亮眼，但真实使用往往需要反复修改。若多轮编辑持续退化，产品体验和商业化都会受限。ACEdit 的意义在于把训练目标从“单次编辑准确”转向“多轮轨迹稳定”，这属于训练方法层面的改进，对图像生成与编辑模型的推理稳定性具有参考价值。它也可能影响后续模型在训练数据构造、蒸馏流程和推理策略上的设计取向。不过，摘要未披露模型规模、算力开销和与闭源产品的对比，技术路线的实际收益仍需全文验证。

对用户/开发者/创作者的影响

对创作者而言，多轮编辑更稳定意味着连续调整构图、风格和细节时返工更少，但目前公开信息显示这只是论文方法，并非已上线功能。对开发者来说，如果该方法后续被集成到开源图像编辑模型或 API 中，可能降低构建多轮编辑应用时的质量衰减风险；同时，训练时引入教师模型和自我生成轨迹，也会增加训练复杂度和算力成本。企业采购或选型时，可关注模型是否明确针对多轮编辑优化，而不只看单轮演示效果。