在 AIGC 的下一个阶段，图像编辑（Image Editing）正逐渐取代一次性生成，成为检验多模态模型理解、生成与推理能力的关键场景。我们该如何科学、公正地评测这些图像编辑模型？

为了解决这一难题，来自得克萨斯大学奥斯汀分校、UCLA、微软等机构的研究者们共同提出了EdiVal-Agent，一个以对象为中心的自动化、细粒度的多轮编辑（Multi-Turn Editing）评估框架。

EdiVal-Agent的名字巧妙地融合了“Editing”（编辑）和“evaluation”（评估），并以“Agent”（智能体）的形式呈现，寓意它是一个能够自主执行复杂评估任务的智能系统。它不仅能自动化生成多样化的编辑指令，还能从指令遵循，内容一致性，视觉质量多维度对编辑结果进行精细评估，其评估结果与人类判断的一致性显著优于现有方法。

论文题目：EdiVal-Agent: An Object-Centric framework for Automated, Fine-Grained evaluation of Multi-Turn Editing论文链接：https://arxiv.org/abs/2509.13399项目主页：https://tianyucodings.github.io/EdiVAL-page/

评测：如何定义“好”的编辑？

当前主流评测分为两类：

1、基于参考图像（Reference-based）：依赖成对的参考图像，覆盖面有限，还容易继承旧模型的偏差。

2、基于大模型打分（VLM-based）：用视觉语言模型（VLM）通过提示语打分，看似方便却问题重重：空间理解差，常误判物体位置与关系；细节不敏感，难察觉局部或微小修改；审美失准，对生成瑕疵（artifacts）缺乏感知。结果是，VLM 单评虽“方便”，却难以精确、可靠地衡量编辑质量。

EdiVal-Agent ：图像编辑界的“评测裁判”

EdiVal-Agent是一个面向对象的自动评测智能体。它能像人类一样，识别图像中的每个对象，理解编辑语义，并在多轮编辑中动态追踪变化。

在讲工作流之前，我们先来看一组直观的测试结果。

base Image：两匹马

Turn 1：添加文字 “HORSESTurn 2：棕色的马换成一只鹿Turn 3：白马的毛色改成棕色

听起来很简单，对吧？但当我们让各家顶尖模型来完成这三步时，结果却大不相同。

GPT-Image-1（OpenAI） 指令执行得不错，但背景和细节越来越不一致。

Qwen-Image-Edit（阿里）在视觉质量和一致性上双双失手，第三轮后出现明显“过曝感”。

FLUX.1-Kontext-dev（Black Forest Labs） 基本能保留背景，但理解指令有偏差，比如第三轮“白马的毛色改成棕色”执行失败。

Nano Banana（Google Gemini 2.5 Flash） 表现最平衡——稳、准、无明显短板。

在刚才的对比中，我们看到不同模型在多轮编辑下表现差异明显。那 EdiVal-Agent 是如何实现自动评测、做到“既懂图又懂语义”的呢？答案来自它精心设计的三步工作流。

1、图像分解（Decomposition）

第一步，EdiVal-Agent 会让大模型（如 GPT-4o）先“看懂”一张图片。它会自动识别出图中所有可见对象，并为每个对象生成结构化的描述——包括颜色（color）、材质（material）、物体上是否存在文字（text）、数量（count） 和前景属性 （foreground）。

这些对象被汇总成一个对象池（Object Pool），并通过物体检测器进行验证过滤，为后续指令生成和评测打下基础。

2、指令生成（Instruction Generation）

第二步，EdiVal-Agent 根据场景自动生成多轮编辑指令。 它拥有覆盖9 种编辑类型、6 个语义类别的指令体系，包括：

添加（add）、删除（remove）、替换（replace）、 改颜色（color alter）、改材质（material alter）、改文字（text change）、移动位置（position change）、改数量（count change）、换背景（background change）。

EdiVal-Agent 会动态维护三个对象池：

All Objects Pool（所有出现过的对象）Available Objects Pool（当前可编辑的对象）Unchanged Objects Pool（尚未被修改的对象）

在每一轮编辑中，智能体都会：

随机选取指令类型；挑选合适对象；生成自然语言编辑指令；更新对象池状态。

默认设置为三轮（Turn 1 – Turn 3），也可以扩展到更长链条，实现更多轮可组合编辑。

3、 自动评测（evaluation）

最后一步，EdiVal-Agent 从三个维度评估模型表现：

EdiVal-IF（Instruction Following）判断模型是否准确执行指令——例如“把白马换成鹿”是否真的完成。 对于符号任务（如位置或数量变化），使用 Grounding-DINO 等开放词汇检测器进行几何验证； 对于语义任务（如颜色或背景变化），则结合物体检测器和VLM进行语义核对。EdiVal-CC（Content Consistency）测量未被编辑的部分是否保持一致。 它计算背景区域（排除 All Objects Pool 中的所有物体）与未修改对象（属于 Unchanged Objects Pool 的物体）之间的语义相似度，以确保模型不会“误伤”无关区域。比如，下图中GPT-Image-1编辑后的STOP 标志发生了明显变化，而Nano Banana则更真实地保持了内容一致性EdiVal-VQ（Visual Quality）使用 Human Preference Score v3 评估整体视觉质量，量化生成结果的美观度自然度

最终综合指标EdiVal-O通过几何平均融合EdiVal-IF和EdiVal-CC，平衡“是否听话”与“是否稳定”。

为什么不把 EdiVal-VQ 纳入总体分数？

在评估中，我们发现“视觉质量（EdiVal-VQ）”虽然重要，但并不适合直接计入综合得分。以指令“将背景换成图书馆”为例：

GPT-Image-1会倾向于“美化”图像，让整体更光亮、更清晰，从而提升审美得分FLUX.1-Kontext-max则选择“保真”策略，尽量保持原始风格，只替换必要区域。

这说明不同模型在面对同一任务时，有的更追求视觉美感（beautification），有的更注重和保真（preservation）。由于在图像编辑中，是否应追求“美化”仍存在争议，因此我们未将 EdiVal-VQ 纳入最终评测指标。

EdiVal-Agent 的人类一致性验证

EdiVal-Agent评测结果能否“想法与人一致”？

我们设计了一项人类一致性实验（Human Agreement Study），来检验 EdiVal-Agent 的评测结果，是否真正符合人类判断。结果如下：

EdiVal-Agent 的指标EdiVal-IF与人类判断的平均一致率高达81.3%。相比之下，传统评测方法的表现明显更低：

VLM-only（Qwen-2.5-VL）：75.2%CLIP-dir（CLIP-directional similarity)：68.9%

换句话说，EdiVal-Agent 不仅能“算得对”，更能“想得像人”。此外，人工之间的一致率为85.5%，这意味着——EdiVal-Agent 的表现已接近人类评测的上限。

为什么 EdiVal-IF 与人类判断更为一致？

符号任务更精准。对于“添加 / 删除 / 替换 / 移动 / 改数量”等符号（symbolic）任务，EdiVal-IF使用Grounding-DINO精确检测目标是否真的出现、移动或消失，几乎没有歧义。相比之下，VLM模型则容易受到幻觉（Hallucination）与空间推理（Spatial Reasoning）的限制。

语义任务更智能。 对于“改颜色 / 改材质 / 改文字 / 换背景”等语义（semantic）任务，EdiVal-IF将VLM（Qwen-2.5-VL）与对象检测（Object Detection）相结合，先定位，再推理，让模型真正做到“对着图回答问题”。

结果表明，这种检测 + 推理融合的方式，比单纯让大模型“看图说话”更加稳定、可靠。

谁才是最强图像编辑模型？

在本文提出的多轮图像编辑EdiVal-Bench上，EdiVal-Agent系统对比了13 个代表性模型，涵盖闭源与开源、in-context和context-free，Flow Matching与Diffusion等不同范式。结果如下：

其中EdiVal-IF衡量的是模型指令遵循的能力，EdiVal-CC衡量的是模型内容一致性的能力。EdiVal-O是两者的几何平均值，为最终评分。可以看到：

Seedream 4.0 在指令遵循能力上遥遥领先，并且在最终评分上全面超越国际闭源模型，排名第一；Nano Banana在速度（Latency）与质量上达成完美平衡，在内容一致性上尤为出色，排名第二；GPT-Image-1指令遵循能力上出色，因追求美观（见上文）而牺牲一致性，位列第三；Qwen-Image-Edit出现典型“曝光偏差（exposure bias）”：在编辑次数变多时越改越偏，其在开源模型中排名第一，总排名第六。

评测结果也解释了为什么ChatGPT-4o在吉卜力风格迁移指令遵循和美化效果出圈，而Nano Banana在OOTD这些背景/物体一致性要求比较高的任务上出圈。

更多实验结果与详细分析（比如关于in-context和complex editing），欢迎阅读原文。

关于作者

论文作者成员来自UT-Austin， UCLA，Microsft GenAI 以及Lambda Inc，两位共同一作分别是陈天钰，张雅思。

陈天钰，得克萨斯大学奥斯汀分校（UT-Austin）统计系博士生（三年级），导师为周名远教授。硕士毕业于芝加哥大学，本科毕业于复旦大学统计系。研究方向涵盖生成模型、强化学习、因果推断与表示学习等，目前与Microsoft GenAI开展长期合作研究。

张雅思，加州大学洛杉矶分校（UCLA）统计与数据科学系博士生（四年级），师从吴英年教授与 Oscar Leong 教授。研究方向聚焦生成式人工智能、多模态学习、大模型后训练与计算机视觉，曾在Amazon AWS AI Labs与Google Research从事相关研究工作。

值得一提的是，两位共一本科均毕业于复旦大学。

陈天钰

张雅思