IEA：通过多任务对齐的三个阶段的业余友好的对话式图像编辑代理

当前的图像编辑软件通常依赖于固定的过滤器或专家调整，从而在业余用户的意图和结果之间留下了差距。生成模型的创作可能包含伪影、难以置信的细节或偏离照片写实主义的风格，并且无法深入了解编辑的原因。我们提出了 IEA，一种会话式图像编辑代理，它学习在明确的、可解释的动作空间中操作参数化工具。 IEA 通过三阶段多任务管道进行训练：(1) 基于专家编辑的 SFT，(2) GRPO，对相似性改进、工具实用性和意图总结进行奖励，以及 (3) 大规模合成 微调，共同掌握图像编辑、细化和用户意图总结。通过逐步操作 16 个编辑工具，IEA 生成可以检查和调试的透明编辑轨迹。在定量实验中，与强基线相比，它在编辑任务上获得了更低的像素距离，在摘要任务上获得了更高的 ROUGE-L。在用户研究中，它在指令遵循的工具调用方法中排名最高，同时在整体感知质量方面超越了生成方法。我们的结果验证了可解释、以工具为中心的 VLM 是人类指令引导图像修饰的可靠途径。