EditAgent يوسّع مجموعة الأدوات ويتفوق على التعديلات المتسلسلة في 78.5% من المقارنات

تعمل وكلاء تحرير الصور عادةً وفق نمط «تخطيط — تعديل — تقييم»: يُقسَّم الطلب المعقد إلى خطوات، وعند الإخفاق تُعاد الخطوة بالمحرر نفسه، ويقيّمها الحَكَم نفسه وهو ينظر إلى نتيجة واحدة. ويرى باحثون من UCSD وAdobe Research (أُنجز العمل أثناء تدريب في Adobe) أن هذا الوكيل يصطدم بقيدين: ما يستطيع فعله، وما يراه حَكَمه. ويوسّع نظامهم EditAgent المجالين معًا. وفي مقارنة عمياء فضّل مصححو الصور المحترفون بحثه المتوازي على التحسين المتسلسل في 78.5% من الحالات دون تعادل.

أين يفشل المحرر العام الواحد

لقياس المشكلة، أعدّ المؤلفون معيارًا تشخيصيًا يضم 600 مجموعة موزعة على 30 نوعًا من التعديلات، بواقع 20 مجموعة لكل نوع، ومصنفة في ست فئات. تحتوي كل مجموعة على الصورة الأصلية والتعليمات و2–4 مرشحين: عينات من المحرر العام FLUX.2-klein-9B ونتائج أساليب متخصصة (التعديل الموضعي بالقناع، وإزالة الكائنات، والمعالجات الفوتومترية). وحدد خمسة من مصححي Photoshop المحترفين معًا جميع الخيارات الصالحة.

جاءت النتيجة غير مريحة للنماذج العامة. كانت مرشحات المحرر العام وحدها صالحة في 254 مجموعة (42.3%)، والمتخصصة وحدها في 175 (29.2%)، والنوعان معًا في 90 (15.0%)، بينما لم يصلح أي مرشح في 81 مجموعة (13.5%). وبما أن المحرر العام حاضر في كل مجموعة، فقد أخفق في 256 حالة (42.7%)، وأنقذ أسلوب متخصص 175 منها. وكان أداء المحرر العام الأضعف في الهندسة والدرجة اللونية وتحسين الصورة.

لا تفيد زيادة عدد العينات وحدها. فحين اختار نموذج VLM حَكَم واحد الأفضل من مجموعة المحرر العام فقط، نتج تعديل صالح في 45.2% من المجموعات. أما مع مجموعة أضيفت إليها الأساليب المتخصصة فارتفعت النسبة إلى 68.2%. ومن بين 296 مجموعة كان فيها نتيجة واحدة بالضبط من النتيجتين المختارتين صالحة، جاءت تلك النتيجة من المجموعة الموسّعة في 217 مجموعة.

البحث المتوازي بدلًا من التحسينات المتسلسلة

في التجربة الثانية، وبميزانية أربع عمليات توليد، قورن نمطان بمحرر واحد وحَكَم واحد (Qwen3.8-27B). يعدّل التحسين المتسلسل نتيجته السابقة، ويستهلك ذلك ثلاثة استدعاءات للتغذية الراجعة واختيارًا نهائيًا واحدًا. أما البحث المتوازي فيولّد المرشحين بصورة مستقلة انطلاقًا من الصورة الأصلية، ويتطلب استدعاءين اثنين على الأكثر لنموذج VLM.

على 144 عينة من Complex-Edit (مستويات الصعوبة 1 و4 و8)، اختار المصححون النمط المتوازي 102 مرة، والمتسلسل 28 مرة، وكان التعادل في 14 حالة أخرى. ويفسّر المؤلفون ذلك بتراكم الأخطاء: ففي التحسين المتسلسل تنتقل العيوب الصغيرة من التكرار الأول إلى ما بعده، بينما يبدأ المرشحون المتوازيون دائمًا من الإطار الأصلي.

حَكَم يرى الأدلة

يتعلق الجزء الثاني من العمل بالتقييم. فقد تبيّن أن الحكّام الذين يقيّمون نتيجة واحدة في كل مرة غير مستقرين: لا يتصدر أي حَكَم من المختبَرين، بما فيهم نموذج المكافآت المضبوط EditScore-72B، جميع مجموعات التعديل. وفي إحدى المجموعات لا يتفوق مقياس Winner-Set Hit@1 (نسبة المجموعات التي يقع فيها المرشح الأعلى تقييمًا ضمن المرشحين الصالحين) لدى Qwen3.8-27B على الاختيار العشوائي إلا بمقدار 5.2 نقطة. أما مقياس التشابه مع الأصل CLIP-I فيتفوق حيث تكاد النتيجة لا تتغير، ولا يتفوق على العشوائية حيث ينبغي أن يكون التعديل ملحوظًا.

يمنح EditAgent الحَكَم سجل تحقق لكل مرشح: خريطة للتغييرات، ولقطات مقرّبة للمنطقة المعدَّلة، وقياسات للسطوع واللون والهندسة، ونتائج فحوص برمجية. ويدرك الحَكَم ما أكدته الشيفرة بالفعل وما يبقى عليه تقييمه بالعين. ويقارن بين المرشحين في استدعاء واحد.

يظهر الأثر على EditReward-Bench. تحقق نماذج EditScore دقة 65.9–70.3%، ونسخة 72B مع مجموعة من أربع تمريرات 76.3%. وتحصل نماذج VLM العادية عند التقييم الفردي على 71.7–73.8%، وعند مقارنة المرشحين في استدعاء واحد على 85.2–86.1%. وعلى المعيار التشخيصي، رفعت المقارنة بين الأوراق دقة Qwen3.8-27B من 71.6% إلى 73.6%، لكن في مجموعتين تختلف فيهما النتيجة قليلًا عن الأصل انخفضت الدقة من 65.0% إلى 36.8%. وقد صحّحت سجلات التحقق ذلك.

ما الذي أظهرته التجارب أيضًا وما القيود

تتضمن البنية مخططًا ومحللًا وربطًا بالمنطقة عبر VLM وSAM 2.1، إضافة إلى موجّه (router). ويختار الموجّه الأساليب: التعديل بالقناع، والإزالة عبر OSOR، ونقل الكائنات وتغيير حجمها، ومرشحات الصورة والأسلوب، والتدوير والانعكاس، والتقريب عبر القص والدقة الفائقة أو التوسيع خارج الإطار (outpainting). وتصبح النتيجة المقبولة هي الصورة الأصلية للخطوة التالية.

ومع Qwen-Image-Edit-2511 وFLUX.2-klein-9B كمحررين أساسيين، حسّن EditAgent أداء النموذجين على ثلاثة معايير، منها EdiVal. كما استُخدمت 25.7 ألف جلسة مقبولة بيانات تدريب: فقد تفوقت المحررات المضبوطة عليها على نماذج دُرّبت على بيانات مباشرة من FLUX.2-klein-9B.

والقيود واضحة أيضًا. فالمجموعة التشخيصية صغيرة، وقد وسمها خمسة مصححين، والمحرر العام فيها نموذج واحد. ويوفّر البحث المتوازي استدعاءات الحَكَم، لكنه يتطلب تشغيل عدة أساليب في آن واحد. أما الخلاصة للممارسين فهي: عند الإخفاق ينبغي إضافة أداة مختلفة ومنح الحَكَم أدلة قابلة للقياس. ولا يُستحسن معالجة طلب تعديل صورة معقد بإعادة المحاولة بالمحرر نفسه.