Adobe Research und die University of California, San Diego, haben EditAgent entwickelt, ein KI-System, das Bildbearbeitungsaufgaben eher wie ein erfahrener Photoshop-Nutzer erledigen soll. Statt wiederholt denselben Allzweck-Editor anzuwenden, zerlegt das System eine Anfrage in Schritte und wählt spezialisierte Werkzeuge aus, wenn diese für eine bestimmte Operation besser geeignet sind.
Die Forschenden stellten fest, dass Allzweck-Editoren bei bestimmten Aufgaben häufig Schwierigkeiten haben. In einem Test mit 600 Bildbearbeitungen, die von fünf Fachleuten blind bewertet wurden, gelang es Flux-2-Klein-9B in 42,7 Prozent der Fälle nicht, ein brauchbares Ergebnis zu erzeugen. Spezialisierte Werkzeuge behoben etwa zwei Drittel dieser Fehler, insbesondere bei Aufgaben zum Schärfen, Drehen und Zoomen.
Die Studie verglich außerdem iterative Bearbeitung mit der Erstellung mehrerer Alternativen ausgehend vom Originalbild. Fachleute bevorzugten in 78,5 Prozent der Vergleiche, in denen sie einen Ansatz auswählten, parallele Varianten. Den Forschenden zufolge kann wiederholte Verfeinerung Fehler anhäufen, weil jeder neue Versuch auf einem bereits veränderten Bild aufbaut. EditAgent erzeugt daher konkurrierende Ergebnisse und bewertet sie, anstatt sich ausschließlich auf wiederholte neue Versuche zu verlassen.
Sein Bewertungsprozess stellt einem Standard-Sprachmodell zusätzliche Verifizierungsdaten für jede Bildvariante bereit. Dazu gehören eine Nahaufnahme des bearbeiteten Bereichs, eine Karte der veränderten Regionen sowie Messwerte zur Helligkeit und Farbe. Das Modell nutzt diese Informationen, um die Kandidaten in einem einzigen Durchlauf zu vergleichen.
Beim Benchmark mit 600 Bearbeitungen verbesserte der Verifizierungsdatensatz die Auswahl der Sprachmodelle erheblich. Ohne die zusätzlichen Daten stimmte keines der sieben getesteten Modelle mit dem leistungsstärksten, auf menschlichen Bewertungen feinabgestimmten Modell überein. Mit den zusätzlichen Daten schnitten alle sieben besser ab als die feinabgestimmten Modelle. Qwen3.8-27B wählte in 81,3 Prozent der Fälle ein Bild aus, das Fachleute als brauchbar betrachteten, verglichen mit 74,8 Prozent bei EditScore-72B.
EditAgent prüft außerdem, ob spätere Anweisungen frühere Bearbeitungen unbeabsichtigt rückgängig gemacht haben. In einem von den Forschenden beschriebenen Beispiel führte eine Anweisung, mehr Tageslicht hereinzulassen, dazu, dass ein zuvor mattiertes Fenster wieder durchsichtig wurde. Das System erkannte den Konflikt und korrigierte das Ergebnis.
Das System verbesserte die Open-Source-Editoren Qwen-Image-Edit-2511 und Flux-2-Klein-9B bei drei Benchmarks und übertraf sieben weitere KI-Agenten. Beim EdiVal-Benchmark übertraf die auf Qwen basierende Version in ihrer dritten Bearbeitungsrunde die kommerziellen Modelle Seedream 4.0 und GPT-Image-1.5 knapp.
Die wichtigste Einschränkung sind die Rechenkosten. EditAgent benötigt etwa zehnmal so viel Rechenleistung wie ein einzelner Editor, und seine Ergebnisse hängen von den mit ihm verbundenen Werkzeugen ab. Die Forschenden nutzten das System außerdem, um ungefähr 26.000 verifizierte Trainingsbeispiele zu erzeugen. Auf diesen Daten feinabgestimmte Modelle schnitten bei allen drei Benchmarks besser ab, während Trainingsdaten, die direkt von FLUX erzeugt wurden, die Leistung von FLUX verringerten.
Adobe begann im Juni damit, KI-Agenten in Photoshop, Premiere und weitere Creative-Cloud-Anwendungen als öffentliche Betaversionen zu integrieren. Die Arbeit der Forschenden befasst sich mit einer verwandten Herausforderung für diese Produkte: zu bestimmen, wie ein Agent das geeignete Werkzeug auswählt und überprüft, ob sein endgültiges Ergebnis der Anfrage des Nutzers entspricht.
Quellen: The Decoder.