现在AIGC早过了只做一次性生成的阶段，图像编辑成了考验多模态模型能力的关键场景。

但有个绕不开的问题，这些图像编辑模型咋评才科学、才公正？之前行业里的评测方法都没摸到门道，直到得克萨斯大学奥斯汀分校、UCLA还有微软的研究者们，一起搞出了EdiVal-Agent这个评测框架。

之前主流的评测就两种，说难听点都有硬伤。

一种是靠参考图像，得有成对的图才能评，覆盖的场景特别少，还容易把旧模型的偏差带进来。

另一种更常见，让视觉语言模型（VLM）打分，看着省事儿，实则问题一堆。

比如空间理解差，经常把物体位置和关系搞混；细节还不敏感，局部小修改根本察觉不到；审美也不行，生成的那些小瑕疵都看不出来。

用VLM单评，还不如让普通人凭感觉看一眼靠谱。

聊完这些不靠谱的老方法，就得说说这次的主角EdiVal-Agent了。

这名字起得挺有意思，把“编辑（Editing）”和“评估（Evaluation）”融一块儿，还加了“智能体（Agent）”的后缀，意思就是它能自己扛下复杂的评测任务。

它不光能自动生成各种编辑指令，还能从指令遵循、内容一致性、视觉质量三个维度细评，评出来的结果跟人判断的契合度，比之前那些方法强太多了。

四大主流模型实测：多轮编辑后差距一目了然

想知道不同模型到底差在哪儿，看实测最直观。

之前有个测试，就用“两匹马”当基础图，让四个顶尖模型做三轮编辑。

结果一出来，谁行谁不行立马见分晓。

OpenAI的GPT-Image-1，指令执行得还行，但越往后越拉胯，背景和细节的一致性越来越差。

阿里的Qwen-Image-Edit更惨，视觉质量和内容一致性全崩了，三轮编辑后图里都有明显的“过曝感”，看着特别不舒服。

BlackForestLabs的FLUX.1，背景倒是能保住，但指令理解出了偏差，比如让把“白马的毛色改成棕色”，它压根没做到。

最后是Google的NanoBanana（也就是Gemini2.5Flash），这货是真稳，指令准、视觉也没毛病，全程没明显短板，算是这轮测试里的黑马。

从这个测试就能看出来，多轮编辑就是模型的“照妖镜”，平时看着都挺厉害，连续改几轮就暴露真实水平了。

那EdiVal-Agent是咋做到精准评测，既能看懂图又能理解语义的？其实靠的是它精心设计的三步工作流。

第一步是让大模型“看懂”图。

一般会用GPT-4o这种强模型，先识别图里所有可见的对象，再给每个对象写结构化描述颜色、材质、有没有文字、数量、是不是前景，这些信息都得写全。

然后把这些对象汇总成一个“对象集合”，再用物体检测器过滤一遍，去掉那些误识别的，为后面的指令生成和评测打基础。

本来想觉得这一步没啥特别，后来发现，正是因为把对象信息拆得这么细，后面评的时候才不会糊里糊涂。

第二步是生成编辑指令。

EdiVal-Agent能覆盖9种编辑类型，像添加、删除、改颜色、换背景这些常用需求都包含了。

它还会动态维护三个对象集合，每轮编辑都根据当前图像的状态调整指令，默认搞三轮，也能扩展到更多轮次。

这比人工一个个想指令省事多了，还能覆盖更多场景，避免漏了某些关键测试点。

第三步就是打分了。

它有三个核心指标：EdiVal-IF看指令执行得准不准，EdiVal-CC看内容一致不一致，EdiVal-VQ评视觉质量。

不过视觉质量没算进综合分，为啥呢？因为不同模型的定位不一样，有的更追求美化，有的更看重保真。

比如让“把背景换成图书馆”，有的模型会把图书馆画得特别精致，有的则更贴近真实场景的朴素感，没法用统一标准衡量，所以干脆不把EdiVal-VQ算进最终分。

综合分EdiVal-O是前两个指标算出来的，这样能平衡“听不听话”和“稳不稳定”，挺合理的。

接近人类评测上限！EdiVal-Agent凭啥这么准

光说EdiVal-Agent准没用，得有数据支撑。

研究者们专门搞了个人类一致性实验，就是让专业评测员给100组多轮编辑结果打分，再对比EdiVal-Agent和传统方法的表现。

结果出来挺意外，EdiVal-Agent的EdiVal-IF指标，跟人类判断的平均一致率特别高，已经接近人类之间的判断一致率了。

要知道，人类之间评同一组图，也会有细微差异，EdiVal-Agent能做到这个水平，说明它已经快摸到人类评测的上限了。

反观传统方法，一致率差了一大截，根本没法比。

那它为啥能这么准？关键在两点。

一是符号任务处理得精准，比如“添加物体”“删除物体”这种，它用Grounding-DINO这种工具精准检测，目标在不在、动没动，一眼就能看出来，几乎没歧义。

而VLM处理这些任务时，经常会“幻觉”明明没添加成功，它却说成了；要么就是空间推理不行，把位置搞混。

二是语义任务处理得智能，像“改材质”“换背景”这种，它不只用VLM（比如Qwen-2.5-VL），还结合了对象检测，先找到目标位置，再判断修改得对不对，相当于“对着图说话”，比VLM单独看图瞎猜稳多了。

除了跟人类判断契合度高，EdiVal-Agent还搞了个EdiVal-Bench评测集，对比了13个代表性模型闭源的、开源的，不同技术路线的都包含了。

结果也挺有参考价值，比如ChatGPT-4o在“吉卜力风格迁移”这种任务里，指令遵循和美化效果都突出；而NanoBanana在OOTD（穿搭）这种对背景和物体一致性要求高的任务里，表现最好。

开源模型则普遍在多轮编辑的稳定性上弱于闭源模型，这也给开发者指了优化方向。

对行业来说，EdiVal-Agent的价值可不止是“评得准”。

对开发者而言，有了这个标准化工具，不用再靠人工打分，能省不少成本，还能清楚知道自己的模型在哪个环节弱，优化方向更明确。

对咱们普通用户来说，以后挑图像编辑工具，看EdiVal-Agent的评测结果就知道靠不靠谱，不用再踩“指令跑偏”“质量下降”的坑。

更何况，它还能扩展到视频编辑、3D图像编辑这些场景，未来用处肯定更大。

如此看来，EdiVal-Agent算是真正解决了AIGC图像编辑评测的痛点。

之前的“不精准”“不智能”“不全面”，被它用“对象为中心”的设计一一化解。

从四大模型的小范围实测，到13个模型的全景对比，它用数据证明了自己的靠谱。

毫无疑问，它会成为图像编辑评测的新标杆，推动AIGC图像编辑从“能做”变成“做好”，以后咱们用这类工具，体验肯定会越来越顺。