El juez de EditAgent, de Adobe, elige una edición válida en el 81,3% de los casos frente al 74,8% de EditScore

Investigadores de Adobe Research y de la Universidad de California en San Diego han presentado EditAgent, un agente de edición de imágenes que trabaja más cerca de un profesional de Photoshop que los sistemas anteriores. Divide la petición en pasos dependientes entre sí, elige la herramienta adecuada para cada uno y compara el resultado con el original a partir de datos medidos. Su resultado principal es el del papel de juez.

En un benchmark de 600 ediciones, en el que cinco profesionales evaluaron los resultados a ciegas, el modelo genérico Qwen3.8-27B, sin ajuste fino, eligió entre los candidatos una variante que los profesionales también consideraron válida en el 81,3% de los casos. El mejor de los modelos entrenados específicamente, EditScore-72B (ajustado con valoraciones humanas de ediciones), logró el 74,8%.

Por qué falla el editor universal

La mayoría de los agentes de edición de imágenes funcionan de forma sencilla: una petición compleja se corta en pasos, el paso fallido se repite con el mismo editor y otro modelo evalúa el resultado final a ojo. Los autores demuestran que este esquema choca con un techo. En la prueba de 600 ediciones, el editor universal Flux-2-Klein-9B no produjo un resultado válido en el 42,7% de los casos. Las herramientas especializadas, para aumentar la nitidez, girar y acercar la imagen, resolvieron aproximadamente dos tercios de esos fallos. Los reintentos con el mismo editor apenas aportaron nada.

El segundo hallazgo se refiere al orden de trabajo. La mejora iterativa acumula pequeños errores, porque cada ronda parte de una imagen ya modificada. Generar variantes en paralelo a partir de la imagen original resultó mejor: en las comparaciones en las que los profesionales tenían que elegir un bando, prefirieron las variantes paralelas en el 78,5% de los casos. Además, al agente le bastaba con la mitad de pasadas de evaluación. EditAgent se construye sobre estas dos conclusiones.

Un juez al que se le muestran las cifras

En cada paso, el agente enfrenta al editor universal con herramientas especializadas y obtiene varios candidatos. Después, una LLM genérica compara todas las variantes en una sola pasada. Pero no mira únicamente la imagen completa. Para cada variante se prepara un registro de verificación: un primer plano de la zona modificada, un mapa de cambios y estadísticas medidas de brillo y color. En el ejemplo del artículo había que aclarar ligeramente una foto. Las cifras mostraron que el editor universal había sobreexpuesto la imagen y desplazado los colores hacia tonos cálidos, mientras que la herramienta especializada se mantuvo dentro de los márgenes pedidos. Al mirar el encuadre completo, el modelo pasa por alto errores de este tipo.

Como referencia, los investigadores tomaron modelos como EditScore, ajustados con valoraciones humanas de ediciones. Sin el registro de verificación, ninguna de las siete LLM probadas igualó al mejor modelo ajustado. Con él, las siete superaron a todos esos modelos. Los autores concluyen que lo que ve el juez puede influir más que cómo ha sido entrenado.

Tras cada ronda, el agente comprueba además que las ediciones posteriores no hayan deshecho las anteriores. En el ejemplo del artículo, la petición de «dejar entrar más luz natural» volvió a hacer transparente una ventana que antes era esmerilada. El agente detecta el conflicto y lo corrige.

Diez veces más cómputo y datos de entrenamiento

EditAgent mejoró los editores abiertos Qwen-Image-Edit-2511 y Flux-2-Klein-9B en tres benchmarks y superó a otros siete agentes. En el benchmark EdiVal, la variante basada en Qwen superó ligeramente en la tercera ronda de ediciones a los modelos comerciales Seedream 4.0 y GPT-Image-1.5. Los autores señalan abiertamente las limitaciones: el agente necesita aproximadamente diez veces más cómputo que un solo editor, y la calidad depende del conjunto de herramientas conectadas.

Parte de ese coste puede compensarse. El agente conserva solo los resultados verificados, y de su trabajo salieron unos 26 000 ejemplos de entrenamiento. Los editores ajustados con esos datos mejoraron en los tres benchmarks. En cambio, los datos generados por el propio FLUX empeoraron FLUX. Así, un agente caro puede usarse como fábrica de datos para modelos rápidos.

Para Adobe, esto no es una cuestión académica. En junio, la compañía incorporó agentes de IA a Photoshop, Premiere y otras aplicaciones de Creative Cloud en forma de beta pública: el usuario describe la tarea y el agente ejecuta los pasos. La elección de herramienta y la verificación del propio resultado son justo lo que hace que estos productos triunfen o fracasen. Una salvedad: Black Forest Labs ya ha sustituido el modelo con el que se hicieron las pruebas. La nueva Flux 3 Image Klein tiene 5,6 mil millones de parámetros, menos que Flux 2 Klein, pero según las pruebas internas de la compañía supera a todos los demás modelos abiertos e incluso a la comercial Flux 2 Pro.