EditAgent von Adobe und UCSD kombiniert allgemeine und spezialisierte Bildbearbeitungswerkzeuge
EditAgent mischt allgemeine und spezialisierte Bearbeitungswerkzeuge und orientiert sich an gemessenen Bilddaten.
Adobe Research und die UC San Diego haben EditAgent entwickelt, einen Agenten für die Bildbearbeitung. Er leitet jeden Schritt einer Anfrage entweder an einen Allzweck-Editor oder an ein spezialisiertes Werkzeug weiter. Welches Ergebnis er behält, entscheidet er anschließend anhand gemessener Bilddaten statt nach visuellem Eindruck. Das Paper wurde am 29. Oktober 2026 auf arXiv eingereicht. Es zielt auf eine bestimmte Schwachstelle: Bestehende Agenten wiederholen einen gescheiterten Schritt meist mit denselben, eng begrenzten Werkzeugen, und ihre Bewertungsmodelle beurteilen jedes Ergebnis nach Augenmaß.
Ausgangspunkt des Papers ist ein Benchmark mit 600 Bildbearbeitungen, die fünf Profis blind bewertet haben. In diesem Test lieferte der Allzweck-Editor Flux-2-Klein-9B laut The Decoder in 42,7 Prozent der Fälle kein brauchbares Ergebnis. Spezialisierte Werkzeuge lösten rund zwei Drittel dieser Fehlschläge, vor allem beim Schärfen, Drehen und Zoomen. Ein erneuter Versuch mit demselben Editor half kaum. Das Abstract der Autoren formuliert es noch zugespitzter: Solche Agenten sind durch das begrenzt, was ihr Aktionsraum leisten kann, und durch das, was ihr Bewertungsmodell sehen kann.
Der zweite Befund betrifft die Verkettung der Schritte. Bei iterativer Verfeinerung, bei der jede Runde das vorherige Ergebnis bearbeitet, summieren sich kleine Fehler, weil jede Runde auf einem bereits veränderten Bild aufbaut. EditAgent erzeugt stattdessen parallel mehrere Kandidaten aus dem Original. Ein Bewertungsmodell vergleicht sie in einem einzigen listenweisen Aufruf. Laut Abstract bevorzugten die Profis diese parallelen Varianten in 78,5 Prozent der entschiedenen Vergleiche, und der Agent benötigte höchstens halb so viele Aufrufe des Bewertungsmodells.
Technisch am interessantesten ist die geänderte Bewertung. Für jeden Kandidaten erhält das Bewertungsmodell ein Prüfprotokoll: eine Nahaufnahme des bearbeiteten Bereichs, eine Änderungskarte der veränderten Regionen sowie gemessene Statistiken zu Helligkeit und Farbe. In einem Beispiel aus dem Paper wurde ein Foto, das nur sanft aufgehellt werden sollte, vom Allzweck-Editor überbelichtet und ins Wärmere verschoben. Das spezialisierte Werkzeug vermied diesen Fehler. Ein Sprachmodell, das ein ganzes Bild betrachtet, kann solche Fehler übersehen, gemessene Werte machen sie dagegen sichtbar. Laut Paper schneiden Standard-Vision-Language-Modelle mit diesen Protokollen als Bewertungsmodelle besser ab als Reward-Modelle, die mit menschlichen Bewertungen feinabgestimmt wurden. Im Benchmark wählte Qwen3.8-27B in 81,3 Prozent der Fälle ein brauchbares Ergebnis, gegenüber 74,8 Prozent beim feinabgestimmten EditScore-72B. Ohne die Protokolle erreichte keines der sieben getesteten Bewertungsmodelle das beste feinabgestimmte Modell. Für die Forschenden deutet das darauf hin, dass das, was einem Bewertungsmodell gezeigt wird, wichtiger sein kann als die Art, wie es trainiert wurde.
Das Paper beschreibt außerdem eine Nachprüfung nach jeder Runde. Sie sucht nach späteren Bearbeitungen, die frühere rückgängig machen. Als Beispiel dient die Anweisung „mehr Tageslicht hereinlassen“, die ein zuvor mattiertes Fenster wieder klar macht. Der Agent erkennt das und korrigiert es.
Die Ergebnisse haben ihren Preis. EditAgent verbesserte die Open-Weight-Editoren Qwen-Image-Edit-2511 und Flux-2-Klein-9B in drei Benchmarks und schlug sieben andere Agenten. Auf EdiVal überholte eine Qwen-Variante in der dritten Runde knapp die kommerziellen Modelle Seedream 4.0 und GPT-Image-1.5. The Decoder weist jedoch darauf hin, dass der Agent etwa zehnmal so viel Rechenleistung benötigt wie ein einzelner Editor. Seine Leistung hängt zudem davon ab, welche Werkzeuge eingebunden sind.
Das Paper schlägt außerdem vor, EditAgent als Datengenerator zu nutzen. Weil er nur verifizierte Ergebnisse behält, erzeugte er rund 26.000 Trainingsbeispiele. Editoren, die mit diesen Daten feinabgestimmt wurden, schnitten in allen drei Benchmarks besser ab. Direkt von FLUX erzeugte Trainingsdaten machten FLUX dagegen schlechter. The Decoder hält es für möglich, dass sich die hohen Rechenkosten des Agenten dadurch auf Dauer lohnen.
Ob und wann EditAgent bei Nutzerinnen und Nutzern ankommt, lässt das Paper offen. The Decoder bringt die Forschung mit Adobes Schritt im Juni in Verbindung, KI-Agenten in Photoshop, Premiere und andere Creative-Cloud-Apps zu integrieren, zunächst als öffentliche Beta. Allerdings sei das im Paper verwendete Allzweck-Modell inzwischen durch Flux 3 Image Klein von Black Forest Labs ersetzt worden. Laut dem Unternehmen schneidet dieses Modell in internen Tests besser ab als das kommerzielle Flux 2 Pro.
Was sich ändert
Art: Forschung · Betrifft: EditAgent
Warum es wichtig ist
Agenten, die spezialisierte Bearbeitungswerkzeuge auswählen, könnten Pipelines für die Bildbearbeitung zuverlässiger machen, auch wenn zur Verfügbarkeit nichts bekannt ist.
Originalquelle
Weitere Berichte
Wo wir es gesehen haben
Forward Future (Matthew Berman)
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es