Adobe-მ და UC San Diego-მ EditAgent-ი ხელოვნური ინტელექტით სურათების რედაქტირებაზე გამოსცადეს

Adobe Research-მა და UC San Diego-მ შექმნეს EditAgent-ი, AI სურათების რედაქტირების სისტემა, რომელიც მოთხოვნას ეტაპებად ყოფს, ზოგად რედაქტორს სპეციალიზებულ ინსტრუმენტებს ადარებს და შედეგს გაზომილი მონაცემებით ირჩევს. ტესტებში მან წინა AI აგენტებზე ზუსტი რედაქტირებები მიიღო, თუმცა ერთ რედაქტორზე დაახლოებით ათჯერ მეტ გამოთვლით რესურსს მოითხოვს.

როგორ არედაქტირებს EditAgent სურათებს

EditAgent მოთხოვნას ეტაპებად გეგმავს. ყოველ ეტაპზე ზოგად რედაქტორს ადარებს შესაბამის სპეციალიზებულ ინსტრუმენტებს სიმკვეთრის, ბრუნვისა და გადიდებისთვის. ერთი რედაქტორის განმეორებით ცდის ნაცვლად, საწყისი სურათიდან პარალელურად აგენერირებს კანდიდატებს სხვადასხვა მეთოდით. შემდეგ ენის მოდელი ყველა ვარიანტს ერთ გავლაში ადარებს. ხუთი პროფესიონალის მიერ ბრმად შეფასებულ 600 რედაქტირებაში Flux-2-Klein-9B-მა 42,7 პროცენტში ვერ მიიღო გამოსადეგი შედეგი. ამ შემთხვევების დაახლოებით ორი მესამედი სპეციალიზებულმა ინსტრუმენტებმა გადაჭრა. განმეორებითი დახვეწა შეცდომებს აგროვებდა, რადგან ყოველი რაუნდი უკვე შეცვლილ სურათს ეფუძნებოდა, პროფესიონალებმა კი 78,5 პროცენტ შედარებაში, სადაც ერთი ვარიანტი აირჩიეს, საწყისი სურათის პარალელურ ვარიანტებს ამჯობინეს. აგენტს ნახევრად ნაკლები შეფასების გავლა დასჭირდა.

ვერიფიკაციის მონაცემები შეფასებას აუმჯობესებს

თითოეული ვარიანტისთვის მოდელი იღებს ვერიფიკაციის ჩანაწერს: რედაქტირებული უბნის გადიდებულ ხედს, შეცვლილი არეების ცვლილებათა რუკას და სიკაშკაშისა და ფერის გაზომილ სტატისტიკას. მაგალითად, ფოტო უნდა გაენათებინათ ფაქიზად; ციფრებმა აჩვენა, რომ ზოგადმა რედაქტორმა ის გადაანათა და ფერები გაათბო, სპეციალიზებული ინსტრუმენტი კი ნორმაში დარჩა. გადიდებული ხედები და სტატისტიკა ავლენდა შეცდომებს, რომლებსაც მოდელი მთლიანი სურათით ვერ შეამჩნევდა. 600 რედაქტირების ბენჩმარკში მოსამართლე რამდენიმე კანდიდატიდან საუკეთესოს ირჩევდა, მკვლევარებმა კი დაითვალეს, რამდენად ხშირად აირჩია პროფესიონალებისთვისაც გამოსადეგი სურათი. ვერიფიკაციის ჩანაწერის გარეშე შვიდი ენის მოდელიდან არცერთმა ვერ გაუტოლა საუკეთესო დახვეწილ მოდელს, მისი არსებობისას კი შვიდივემ აჯობა ყველა დახვეწილ მოდელს. Qwen3.8-27B-მა გამოსადეგი არჩევანი 81,3 პროცენტში გააკეთა, EditScore-72B-ის 74,8 პროცენტის წინააღმდეგ. ყოველი რაუნდის შემდეგ EditAgent ამოწმებს, ხომ არ აუქმებს გვიანდელი რედაქტირება ადრინდელს; ერთ მაგალითში „მეტი დღის შუქი შემოუშვი“ მოყინული ფანჯარა ისევ გამჭვირვალე გახადა, აგენტმა კი კონფლიქტი შენიშნა და გამოასწორა.

კომპრომისები და სავარჯიშო მონაცემები

EditAgent-მა Qwen-Image-Edit-2511 და Flux-2-Klein-9B სამ ბენჩმარკში გააუმჯობესა და აჯობა შვიდ სხვა AI აგენტს. EdiVal-ის ბენჩმარკზე Qwen-ის ვარიანტმა მესამე რედაქტირების რაუნდზე ოდნავ აჯობა Seedream 4.0-ს და GPT-Image-1.5-ს. თუმცა აგენტს ერთ რედაქტორზე დაახლოებით ათჯერ მეტი გამოთვლითი რესურსი სჭირდება, წარმადობა კი ჩართულ ინსტრუმენტებზეა დამოკიდებული. ვინაიდან მხოლოდ გადამოწმებულ შედეგებს ინახავს, მან დაახლოებით 26 000 სავარჯიშო მაგალითი შექმნა. ამ მონაცემებზე დახვეწილმა რედაქტორებმა სამივე ბენჩმარკში უკეთესი შედეგი აჩვენეს, FLUX-ის მიერ უშუალოდ გენერირებულმა მონაცემებმა კი FLUX-ი გააუარესა.

Adobe-ის პროდუქტები და მოდელების განახლებები

Adobe-მა ივნისში AI აგენტები Photoshop-ს, Premiere-სა და Creative Cloud-ის სხვა აპებს საჯარო ბეტა ვერსიით დაუმატა. მომხმარებლები აღწერენ სასურველ შედეგს, აგენტი კი ცალკეულ ნაბიჯებს ასრულებს. ნაშრომის დასკვნები ინსტრუმენტების შერჩევასა და თვითშემოწმებაზე ამ პროდუქტებსაც ეხება. ცალკე, Black Forest Labs-მა ტესტირებული ზოგადი მოდელი Flux 3 Image Klein-ით შეცვალა: მას 5,6 მილიარდი პარამეტრი აქვს, Flux 2 Klein-ზე პატარაა და Black Forest Labs-ის შიდა ტესტებში ყველა სხვა ღია მოდელზე და კომერციულ Flux 2 Pro-ზე მაღალ ქულას აღებს.

წყაროები: The Decoder