EditAgent amplía su caja de herramientas y supera a las correcciones secuenciales en el 78,5 % de las comparaciones

Los agentes de edición de imágenes suelen seguir el esquema «planificar, editar, evaluar»: una petición compleja se divide en pasos y, si uno falla, el mismo editor lo repite y el mismo juez lo evalúa mirando un único resultado. Investigadores de UCSD y Adobe Research (el trabajo se hizo durante unas prácticas en Adobe) sostienen que un agente así choca con dos límites: lo que sabe hacer y lo que ve su juez. Su sistema, EditAgent, amplía ambos. En una comparación ciega, retocadores profesionales prefirieron su búsqueda paralela al refinamiento secuencial en el 78,5 % de los casos, sin empates.

Dónde falla un único editor generalista

Para medir el problema, los autores montaron un benchmark de diagnóstico: 600 conjuntos con 30 tipos de edición, 20 conjuntos por tipo, agrupados en seis categorías. Cada conjunto incluye la imagen original, una instrucción y entre 2 y 4 candidatos: muestras del editor generalista FLUX.2-klein-9B y resultados de métodos especializados (edición local por máscara, eliminación de objetos, operadores fotométricos). Cinco retocadores profesionales de Photoshop marcaron conjuntamente todas las variantes aceptables.

El resultado deja mal parada a los modelos generalistas. Solo los candidatos del editor general fueron válidos en 254 conjuntos (42,3 %), solo los especializados en 175 (29,2 %), ambos tipos en 90 (15,0 %), y en 81 conjuntos (13,5 %) no sirvió ninguno. Como el editor general está en todos los conjuntos, falló en 256 casos (42,7 %), y un método especializado rescató 175 de ellos. El generalista rindió peor en geometría, tono y mejora de la imagen.

Aumentar sin más el número de muestras no ayuda. Cuando el mismo juez VLM elegía lo mejor de un grupo formado solo por resultados del editor general, obtenía una edición válida en el 45,2 % de los conjuntos. Con los métodos especializados añadidos al grupo, el porcentaje subía al 68,2 %. De los 296 conjuntos en que exactamente uno de los dos resultados elegidos era válido, en 217 procedía del grupo ampliado.

Búsqueda paralela en lugar de refinamientos secuenciales

En un segundo experimento, con un presupuesto de cuatro generaciones, se compararon dos modos con un mismo editor y un mismo juez (Qwen3.8-27B). El refinamiento secuencial corrige su propio resultado anterior y gasta tres llamadas de retroalimentación y una selección final. La búsqueda paralela genera candidatos de forma independiente a partir de la imagen original y requiere como máximo dos llamadas al VLM.

En 144 muestras de Complex-Edit (niveles de dificultad 1, 4 y 8), los retocadores eligieron la variante paralela 102 veces y la secuencial 28; las otras 14 fueron empates. Los autores lo atribuyen a la acumulación de errores: en el refinamiento secuencial, los pequeños defectos de la primera iteración pasan a las siguientes, mientras que los candidatos paralelos siempre parten del fotograma original.

Un juez que ve las pruebas

La segunda parte del trabajo se centra en la evaluación. Los jueces que puntúan un resultado cada vez resultaron inestables: ninguno de los probados, incluido el modelo de recompensa ajustado EditScore-72B, lidera en todos los grupos de edición. En la métrica Winner-Set Hit@1 (proporción de conjuntos en los que el candidato mejor puntuado está entre los válidos), Qwen3.8-27B supera al azar solo por 5,2 puntos en uno de los grupos. La métrica de similitud con el original CLIP-I gana donde el resultado apenas cambia y no es mejor que el azar donde la edición debería notarse.

EditAgent entrega al juez un registro de verificación por candidato: un mapa de cambios, primeros planos de la zona editada, brillo, color y geometría medidos, y resultados de comprobaciones programáticas. El juez sabe qué ha confirmado ya el código y qué queda por valorar a ojo. Compara los candidatos en una sola llamada.

El efecto se ve en EditReward-Bench. Los modelos EditScore logran 65,9–70,3 %, y la versión de 72B con un conjunto de cuatro pasadas, 76,3 %. Los VLM convencionales obtienen 71,7–73,8 % al puntuar uno a uno y 85,2–86,1 % al comparar candidatos en una sola llamada. En el benchmark de diagnóstico, la comparación por lista subió a Qwen3.8-27B del 71,6 % al 73,6 %, pero en dos grupos donde el resultado se diferencia poco del original la precisión cayó del 65,0 % al 36,8 %. Los registros de verificación corrigieron esto.

Qué más mostraron los experimentos y cuáles son las limitaciones

La arquitectura incluye un planificador, un analizador, anclaje a la región mediante un VLM y SAM 2.1, y un enrutador. Este elige los métodos: edición por máscara, eliminación mediante OSOR, desplazamiento y escalado de objetos, filtros fotográficos y de estilo, giros y reflejos, zoom mediante recorte y superresolución, o outpainting. El resultado aceptado se convierte en la imagen de partida del siguiente paso.

Con Qwen-Image-Edit-2511 y FLUX.2-klein-9B como editores base, EditAgent mejoró ambos modelos en tres benchmarks, entre ellos EdiVal. Además, 25,7 mil sesiones aceptadas sirvieron como datos de entrenamiento: los editores ajustados con ellas superaron a los modelos entrenados con datos obtenidos directamente de FLUX.2-klein-9B.

Las limitaciones también están claras. El conjunto de diagnóstico es pequeño, lo anotaron cinco retocadores y el editor generalista es un único modelo. La búsqueda paralela ahorra llamadas al juez, pero exige ejecutar varios métodos a la vez. La conclusión para los profesionales: cuando una edición falla, conviene añadir otra herramienta y dar al juez pruebas medibles. Una petición de edición compleja es mejor no resolverla reintentando con el mismo editor.