一句话看懂：Adobe Research 与 UC San Diego 提出 EditAgent，把图像编辑任务拆成子步骤，并让通用语言模型借助测量数据和局部裁剪对比候选结果，从而更有效地调度专业修图工具；目前仍是论文层面的研究。
事件核心：发生了什么
2026 年 11 月，Adobe Research 和 UC San Diego 在论文中介绍了 EditAgent。它不再让 AI 反复用同一个通用编辑器重试，而是为每个子步骤同时调用通用编辑器与锐化、旋转、缩放等专用工具，并行生成候选图；随后由未经微调的语言模型阅读验证记录，从中挑出最佳结果。验证记录包含编辑区域特写、改动区域示意图，以及亮度、色彩等可量化指标。
研究团队在 600 次图像编辑任务上做了盲评，5 位专业人士参与。结果显示，通用编辑器 Flux-2-Klein-9B 有 42.7% 的任务未能产出可用结果，而专用工具解决其中约三分之二，集中在锐化、旋转和缩放；在同一编辑器上增加重试次数，帮助很有限。在 78.5% 可比较的案例中，评审更偏好从原图并行生成的多个版本，而非一步步迭代修改，后者容易累积小误差。
为什么重要
这项研究指向一个关键问题：AI Agent 做图像编辑，瓶颈不只在生成模型本身，也在“判断哪个结果更好”和“该用哪个工具”。素材显示，加入验证记录后，测试的 7 个标准语言模型全部超过了专门微调的评估模型 EditScore-72B；其中 Qwen3.8-27B 选出可用结果的准确率为 81.3%，后者为 74.8%。研究者据此认为，评判模型“看到什么”可能比“怎么训练”更重要。
EditAgent 在三个基准上提升了开源编辑器 Qwen-Image-Edit-2511 和 Flux-2-Klein-9B 的表现，并优于另外 7 个 AI Agent。在 EdiVal 基准的第三轮编辑中，基于 Qwen 的版本略高于商业模型 Seedream 4.0 和 GPT-Image-1.5。不过，其代价是约 10 倍算力。上述结果均限于论文设定的日期、任务和评测条件，不宜理解为长期排名。
对用户/开发者/创作者的影响
对创作者而言，这意味着未来 AI 修图工具可能更少出现“曝光过度”“色温跑偏”这类局部错误，尤其是在需要精确控制亮度、色彩和构图的场景。对开发者来说，更现实的路线可能是：先用高算力的 EditAgent 式流程生成经过验证的编辑结果，再拿这些数据训练更快的编辑模型或蒸馏成低算力推理流程。对图像生成产品团队，则提示评估环节值得单独投入，验证数据和局部对比可能是提升 Agent 可靠性的低成本手段。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，EditAgent 仍处于研究阶段，尚未作为 Adobe 产品功能上线。后续可观察三点：Adobe 是否将验证式评估接入 Photoshop 等产品的 AI 功能；10 倍算力能否通过模型蒸馏或并行调度降到可商用水平；开源社区是否复现该流程，并推动图像编辑 Agent 的评测标准变化。
