論文の概要: EditAgent: Rethinking Agentic Image Editing

• arxiv url: http://arxiv.org/abs/2610.39664v1
• Date: Thu, 29 Oct 2026 09:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:02:04.570383
• Title: EditAgent: Rethinking Agentic Image Editing
• Title（参考訳）: EditAgent: エージェントイメージの編集を再考
• Abstract要約: そのようなエージェントは、エージェントができることのアクション空間と、その裁判官が見ることができることの観察空間の2つの空間で区切られていると我々は主張する。 提案するEditAgentは,各ステップを一般的な編集者や専門的なメソッドにルーティングし,各候補に検証レコードをアタッチする。 これらの記録により、市販のVLM審査員は微調整の報酬モデルより優れている。
• 参考スコア（独自算出の注目度）: 47.84719910263579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic image editors decompose complex requests into steps, but when a step fails, they mostly retry with the same narrow set of tools and a judge that scores each output by eye directly. We argue that such agents are bounded by two spaces: the action space of what the agent can do, and the observation space of what its judge can see. On our expert-annotated benchmark, a general-purpose editor yields no usable result in over 40% of the cases, and no judge is reliable across edit types. We present EditAgent, which expands both spaces. It routes each step to general editors and specialized methods, and attaches to each candidate a verification record. With these records, off-the-shelf VLM judges outperform finetuned reward models. Candidates are generated in parallel and judged in one listwise call: experts prefer this to sequential refinement in 78.5% of decided comparisons, at no more than half the judge calls. EditAgent improves two open-weight editors on three benchmarks and serves as a data engine for training stronger editors.
• Abstract（参考訳）: エージェント画像エディタは複雑なリクエストをステップに分解するが、ステップが失敗すると、ほとんどの場合、同じ狭いツールセットと、各アウトプットを直接目でスコアする判定器でリトライする。 そのようなエージェントは、エージェントができることのアクション空間と、その裁判官が見ることができることの観察空間の2つの空間で区切られていると我々は主張する。 専門家がアノテートしたベンチマークでは、汎用的なエディターは40%以上のケースで使用可能な結果を出さず、編集タイプ間で判断が信頼できない。 いずれの空間も拡張するEditAgentを提示する。 各ステップをジェネラルエディタと特殊なメソッドにルーティングし、各候補に検証レコードをアタッチする。 これらの記録により、市販のVLM審査員は微調整された報酬モデルより優れている。 専門家は、決定された比較の78.5%でこれを連続的に改善することを好んでおり、審査請求の半分以下である。 EditAgentは3つのベンチマークで2つのオープンウェイトエディタを改善し、より強力なエディタをトレーニングするためのデータエンジンとして機能する。

関連論文リスト

• Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models [68.83033665662025]
  Co-Design Benchは、26,314の実際のユーザコーディングセッションにわたる37,463の重複クエリから算出された273のタスクのベンチマークである。 その2つのトラック、ME(Multimodal Editing)とRE(Repository Editing)は、任意の画像、オーディオ、ビデオ、文書入力を含むローカライズされた編集をカバーしている。 タスクは正規化されたリクエストをペアにし、2,331の隠れ専門家認可の受け入れ基準で事前編集可能なアプリケーションを実行する。
  論文  参考訳（メタデータ） (2026-10-26T10:10:21Z)
• AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks [67.28108897589799]
  AgentHorizonは、1,373のコンピュータ利用タスクのベンチマークである。 同様の(しかし互換性のない)要求を完了したのと、成功した軌道を区別する能力について、審査員を評価した。 我々の最高のエージェント・ジャッジであるGPT-5.5は、AHサブセット上で80.9%のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2026-10-08T01:03:48Z)
• Crayotter: Learning Long-Horizon Video Editing Agents via Group-Relative Preference Backpropagation [14.003463557395621]
  Group-Relative Preference Backpropagationは、同じタスクのランクをゼロサムの利点に変換する。 本研究では,プロジェクト分離型,地平線階層化されたリアルな編集作業スイートを手作業で構築し,評価のトレーニングと制御を行う。 その結果、9B CrayotterモデルはAgenticVBench上のいくつかのプロプライエタリシステムを上回った。
  論文  参考訳（メタデータ） (2026-08-03T10:41:25Z)
• GMO-E$^2$DIT: Grounded Multi-Operation Editing for E-Commerce Images [16.213122519512932]
  実世界のeコマース画像編集には、グローバルリプライよりも複数の、ローカライズされた、監査可能な操作が必要となることが多い。 既存のワンショットエディタは、意図の解決、空間的接地、合成を1ステップに分割する。 GMO-E$2$DITは、視覚言語モデル(VLM)とマスク条件の画像エディタを結合して構成されたマルチターンタスク補完に取り組むエージェント編集フレームワークである。
  論文  参考訳（メタデータ） (2026-07-01T13:23:45Z)
• AgentBeats: Agentifying Agent Assessment for Openness, Standardization, and Reproducibility [104.46861849039357]
  エージェントシステムはドメイン間で急速に進歩しているが、その評価は断片化されている。 根本的問題は、オープンでエージェントに依存しないアセスメントインタフェースがないことである。 我々は、審査員が評価を行い、すべての参加者が標準化されたプロトコルを介して対話するエージェントエージェントアセスメント(AAA)を提唱する。
  論文  参考訳（メタデータ） (2026-06-11T17:23:54Z)
• CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
  CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-31T12:20:46Z)
• Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
  テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。 4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。 一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-05T12:52:09Z)

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。