MTEdit: 500 ألف مسار تعديل يعلّم النماذج الحفاظ على الجودة عبر 8 خطوات

نشر فريق من الباحثين MTEdit، وهي مجموعة بيانات لتدريب النماذج على التعديل متعدد الخطوات للصور. تضم المجموعة 500 ألف مسار تعديل، بحد أقصى 8 خطوات في كل مسار، وبمتوسط 5.38 خطوة. ويصفها المؤلفون بأنها من أكبر المجموعات في هذا المجال. وصدر مع البيانات معيار MTEdit-Bench ونموذج أُعيد تدريبه هو Qwen-Image-MTEdit، وقد تفوّق في المقارنة على النماذج المفتوحة الأخرى.

لماذا تفشل التعديلات المتسلسلة

أصبح التعديل بخطوة واحدة («استبدل الخلفية»، «أضف قبعة») ميزة قياسية منذ فترة. لكن العمل الحقيقي يجري بصورة مختلفة: يتقدم المستخدم عبر تكرارات، وتبني كل تعليمة جديدة على نتيجة التعليمة السابقة. وتدريب نماذج كهذه يتطلب سلاسل من التعديلات، وجمعها بجودة عالية أمر صعب.

الطريقة المعتادة هي sequential rollout: يعدّل النموذج الصورة، فتنتج صورة جديدة، تُطبَّق عليها التعليمة التالية، وهكذا. وتتراكم الأخطاء في هذه العملية. فبحلول الخطوة الخامسة أو السادسة تفقد الصورة حدتها، وتتشوه الخامات، وتتغير تفاصيل لم يُطلب المساس بها. ويسمي المؤلفون ذلك انحراف الجودة البصرية. وإذا دُرِّب النموذج على سلاسل كهذه، فإنه يتعلم الانحراف أيضًا.

Packed trajectory canvas

في MTEdit تُعالَج هذه المشكلة عبر خط معالجة يقوم على packed trajectory canvas (PTC). فبدلًا من توليد كل حالة في مرور منفصل على نتيجة الحالة السابقة، ينشئ النظام عدة حالات للتعديل معًا ضمن سياق بصري موحد. ووفق الوصف، يقلل ذلك الانحراف بين الخطوات: إذ تُولَّد الحالات كمجموعة متسقة، لا كسلسلة من النسخ يتراكم فيها الضجيج.

وتغطي المجموعة سيناريوهين. الأول هو التعديل خطوة بخطوة، حيث تكون كل تعليمة مكتفية بذاتها. والثاني هو التعديل المعتمد على السياق، حيث يحتاج النموذج إلى تذكّر تاريخ الخطوات السابقة لتنفيذ التعديل («أعد اللون الذي كان في البداية»).

أهم معالم العمل:

• 500 ألف مسار للتعديل متعدد الخطوات؛
• حتى 8 خطوات، بمتوسط 5.38 للمسار الواحد؛
• سيناريوهان: خطوة بخطوة، ومعتمد على السياق؛
• يقيّم معيار MTEdit-Bench اتباع التعليمات، والحفاظ على المحتوى، والمقاومة للانحراف، واستخدام التاريخ؛
• النموذج الأساسي هو Qwen-Image-Edit-Causal، ونتيجة إعادة التدريب هي Qwen-Image-MTEdit.

المعيار والنتائج

يقوم MTEdit-Bench على أربع قدرات: تنفيذ التعليمات، والحفاظ على المحتوى، وعدم تراجع الجودة من خطوة إلى أخرى، والاستفادة الفعالة من سياق الخطوات السابقة. وهذان البندان الأخيران بالتحديد هما ما تتجاهله اختبارات الخطوة الواحدة.

اختبر المؤلفون على المعيار مجموعة واسعة من نماذج التعديل المغلقة والمفتوحة. ووفق بياناتهم، حقق Qwen-Image-MTEdit أفضل نتيجة بين النماذج المفتوحة التي جرى تقييمها. وهذه حجة لصالح مجموعة البيانات نفسها: فالبنية الأساسية بقيت كما هي، ولم تتغير سوى بيانات التدريب. ولا يتضمن نص الملخص قيمًا رقمية للمقاييس، ويشير فقط إلى النماذج المفتوحة، لذا لن يمكن تقدير الفارق عن الأنظمة المغلقة إلا من الورقة الكاملة وجداولها.

ماذا يفعل المطورون

على الفريق الذي يبني محرر صور بواجهة محادثة أن يختبر نموذجه لا على خطوة واحدة، بل على سلسلة من خمسة إلى ثمانية تعديلات. ففي هذه المرحلة يظهر الانحراف الذي لا تكشفه اختبارات الخطوة الواحدة. ويوفر MTEdit-Bench إطارًا جاهزًا لذلك، خصوصًا في ما يتعلق بالتعليمات المعتمدة على السياق.

أما لمن يعدّ بياناته الخاصة، فإن فكرة PTC مفيدة بصرف النظر عن مجموعة البيانات المحددة: فتوليد الحالات المترابطة معًا، لا حلقة بعد حلقة، قد يقلل تراكم العيوب. وقبل الاعتماد على النموذج ينبغي انتظار نشر الأوزان والترخيص، والتحقق من المقاييس على أنواع التعديلات الخاصة بكم، إذ إن النتيجة المتصدرة المعلنة جاءت على معيار أعدّه المؤلفون أنفسهم.