論文の概要: WeAgent-MMGenEdit: A Full-Stack Recipe for Multimodal Agentic Image Generation and Editing

• arxiv url: http://arxiv.org/abs/2609.05171v1
• Date: Fri, 04 Sep 2026 14:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.065883
• Title: WeAgent-MMGenEdit: A Full-Stack Recipe for Multimodal Agentic Image Generation and Editing
• Title（参考訳）: WeAgent-MMGenEdit:マルチモーダルエージェント画像生成と編集のためのフルスタックレシピ
• Abstract要約: WeAgent-MMGenEditはマルチモーダルハーネス、スケーラブルなデータ構築パイプライン、包括的なベンチマーク、エージェントポリシーとイメージバックエンドのためのポストトレーニングメソッドを含むフルスタックのレシピである。 最初にWeAgent-Harnessを紹介した。これは、永続的なエビデンス管理と、検索したマルチモーダルエビデンスを高密度キャリアにまとめる専用の検証と統合ツールである。これを用いて、高速な合成とエージェント軌道収集のためのスケーラブルなパイプラインを開発し、23Kの教師付きトラジェクトリと14.7KのRLタスクを3層検証チェックリストで生成する。
• 参考スコア（独自算出の注目度）: 51.8784267764917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image generation and editing models have advanced rapidly, yet remain unreliable when prompts require external world knowledge. Bounded and long-tail parametric knowledge prevents direct or reason-then-generate approaches from recovering the required facts and visual appearances. Existing agentic generation and editing methods mitigate this limitation with retrieval tools, yet remain constrained by insufficient visual verification, overloaded policy models, and weak integration of retrieved textual and visual evidence. To address these limitations, we present WeAgent-MMGenEdit, a full-stack recipe including a multimodal harness, a scalable data construction pipeline, a comprehensive benchmark, and post-training methods for the agent policy and image backend. We first introduce WeAgent-Harness, a multimodal runtime with persistent evidence management and dedicated verification and integration tools that organize retrieved multimodal evidence into a dense carrier. Upon this, we develop a scalable pipeline for prompt synthesis and agentic trajectory collection, yielding 23K supervised trajectories and 14.7K RL tasks with three-layer verifiable checklists. We further introduce WeBench-MMGenEdit, a bilingual benchmark covering both knowledge-intensive image generation and multi-image editing. Finally, a two-sided post-training recipe based on SFT and RL improves the agent policy and image backend. Together, WeAgent-MMGenEdit enables a 30B-total/3B-active policy to outperform similarly sized policy models and approach the performance of a 1T-parameter agent.
• Abstract（参考訳）: 画像生成および編集モデルは急速に進歩しているが、プロンプトが外部の世界の知識を必要とする場合、信頼できないままである。 境界と長い尾のパラメトリック知識は、直接的または理性的なアプローチが要求される事実や視覚的外観を回復することを防ぐ。 既存のエージェント生成と編集手法は、この制限を検索ツールで緩和するが、視覚的検証の不十分、過剰なポリシーモデル、検索されたテキストと視覚的証拠の弱い統合によって制約される。 これらの制限に対処するために、WeAgent-MMGenEdit、マルチモーダルハーネス、スケーラブルなデータ構築パイプライン、包括的なベンチマーク、エージェントポリシーとイメージバックエンドのためのポストトレーニングメソッドを含むフルスタックのレシピを紹介します。 WeAgent-Harnessは、永続的なエビデンス管理と、検索したマルチモーダルエビデンスを高密度キャリアにまとめる専用の検証と統合ツールを備えたマルチモーダルランタイムである。 そこで我々は,23Kの教師付き軌道と14.7KのRLタスクを3層検証チェックリストで生成し,迅速な合成とエージェント軌道の収集を行うスケーラブルなパイプラインを開発した。 WeBench-MMGenEditは知識集約型画像生成とマルチイメージ編集の両方をカバーするバイリンガルベンチマークである。 最後に、SFTとRLに基づく双方向のポストトレーニングレシピにより、エージェントポリシーとイメージバックエンドが改善される。 WeAgent-MMGenEditにより、30B-total/3B-active Policyが同様の規模のポリシーモデルより優れ、1T-parameter agentのパフォーマンスに近づくことができる。

関連論文リスト

• WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
  WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。 WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。 また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-08-28T08:28:43Z)
• ToolArtist: Tool-Using Unified Multimodal Models for Agentic Image Generation [57.673228074553414]
  ToolArtistは、Unified Multimodal Model (UMM) の後のトレーニングによって得られる完全なエージェント画像生成モデルである ToolArtistは1つの統一ポリシー内で推論、外部ツールの使用、ネイティブ画像生成をオーケストレーションする。 実験によると、エージェントポリシーの下にオープンワールドイメージ生成プロセス全体を配置することは、固定パイプラインによるアプローチよりも一貫して優れている。
  論文  参考訳（メタデータ） (2026-08-05T04:26:19Z)
• GenAgent: Scaling Text-to-Image Generation via Agentic Multimodal Reasoning [54.42973725693]
  我々は,エージェント型マルチモーダルモデルを用いて,視覚的理解と生成を統一したGenAgentを導入する。 GenAgentはGenEval++とWISEのベースジェネレータ(FLUX.1-dev)のパフォーマンスを大幅に向上させる。 本フレームワークは,1) 様々な機能を持つジェネレータへのクロスツール一般化,2) インタラクションラウンド間で一貫した改善を伴うテスト時間スケーリング,3) タスクに自動的に適応するタスク適応推論の3つの重要な特性を示す。
  論文  参考訳（メタデータ） (2026-01-26T14:49:04Z)
• Training Multi-Image Vision Agents via End2End Reinforcement Learning [51.81337984526068]
  我々は、エンドツーエンドの強化学習によって訓練されたオープンソースの視覚エージェントであるIMAgentを提案する。 マルチエージェントシステムを利用することで、困難かつ視覚的にリッチなマルチイメージQAペアを生成する。 我々は、視覚的反射と確認のための2つの特別なツールを開発し、モデルが積極的に画像コンテンツに注意を向けることを可能にする。
  論文  参考訳（メタデータ） (2025-12-05T10:02:38Z)
• ImAgent: A Unified Multimodal Agent Framework for Test-Time Scalable Image Generation [49.01601313084479]
  ImAgentは、推論、生成、自己評価を統合するトレーニングフリーの統一マルチモーダルエージェントである。 画像生成と編集タスクの実験は、ImAgentがバックボーンよりも一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2025-11-14T17:00:29Z)
• CompAgent: An Agentic Framework for Visual Compliance Verification [3.847341641557404]
  視覚コンプライアンスの検証は、コンピュータビジョンにおいて重要な問題であるが、未発見の課題である。 本稿では,視覚的コンプライアンス検証のための最初のエージェントフレームワークであるCompAgentを提案する。 検証エージェントは、画像、ツール出力、ポリシーコンテキストを統合し、マルチモーダル推論を実行する。
  論文  参考訳（メタデータ） (2025-10-31T18:20:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。