arXiv cs.AI· Jun He, Canmiao Fu, Ying Zhang, Zhipeng Huang, Chenyu Mu, Yazhen Xie, Chen Li, Jing Lyu, Weijia Li, Xiang Zhang·· 10 小时前AI 评分35
从评估到进化：WeGenEditBench 图像编辑基准与 WeGenEvoStudio 模型进化框架
From Evaluation to Evolution: Benchmarking Image Editing and Evolving Image Models
AI 导读
研究团队推出 WeGenEditBench 图像编辑基准，含 2,740 个评估实例、148 种任务类型，覆盖单图、文本密集与多参考图编辑，并用预生成检查清单将请求拆解为原子需求逐项扣分。
正文 · AI 翻译
摘要：真实世界的图像编辑需要协调多种视觉变换，同时保持内容并满足参考约束，然而聚合分数很容易掩盖未满足的局部要求。因此，有效的评估必须识别局部失败，并将其转化为后续模型改进的优先事项。我们推出 WeGenEditBench，包含 2,740 个评估实例和 148 种任务类型，涵盖单图像编辑、文本密集型编辑和多参考编辑。跨模型共享的预生成检查清单将每个请求分解为原子要求；先建立条目级扣分和视觉证据，再汇总为编辑执行、内容保持、视觉质量和任务特定正确性的分数。为支持递归自我改进（RSI）中的经验获取环节，我们开发了 WeGenEvoStudio，这是一个面向 RSI 学习的统一多智能体框架，集成了以模型为条件的失败诊断、基于检索的数据构建、监督适配和重新评估。在 15 种评估配置中，GPT-Image-2 以 4.076 的总分领先单图像编辑，而 Seedream-5.0-Pro 以 4.291 领先文本密集型编辑。在四个生成和编辑基准上的进化实验显示出显著的有针对性提升：在其报告选定的 Top-5 单图像目标上，FLUX.2 [dev] 的总分从 1.083 提升至 3.517，而 Qwen-Image-Edit-2511 提升了 13.2%。我们的基准和框架共同为通过可解释评估和反馈驱动学习开发更可靠的图像模型奠定了基础。
| 评论： | 58 页，42 张图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.41210 [cs.CV] |
| （或 arXiv:2610.41210v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41210 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jun He [查看电子邮件]
[v1]
2026 年 10 月 30 日星期五 03:42:15 UTC（44,099 KB）
来源：arXiv cs.AI · arxiv.org