SolveEdit 用 2728 个场景变换任务测出最强生成模型仅 57.0% SolveScore，两阶段规划器把 GPT-Image-2 提到 71.6%

论文把「视觉问题求解」形式化为场景变换：给定图像与目标，模型必须推断出有效变换并在同一场景中实现，同时不破坏无关内容，并据此构建 SolveEdit 基准，含 2,728 个案例、覆盖 10 个应用领域与 54 个子领域。 既有评测多隔离感知、抽象推理、生成或「已明确指定」的变换执行，未隔离「所需变换从何而来」；SolveEdit 把变换信息来源本身设为评测轴，分为 IS、SD、RD 三种互不重叠的机制。 案例经固定标注流程与质量审查，要求意图变更可语义检查、证据在图中可见、正确性无需匹配唯一参考、且可与受保护内容分离；图像来源包括 AI 生成 1,375 例、真实照片 646 例、动画与游戏截图 377 例、影视帧 330 例。

论文提出原子变换契约与 SolveScore：每个案例记录必需条件与受保护条件，评分同时衡量完成度并对非预期改动做有界扣分，并给出必需与受保护两侧各三个诊断维度（语义 SA、关系 RA、视觉质量 VQ）共六个诊断分数。 参考图式评分会惩罚与唯一作者输出不同的合法解；契约式评分允许同一变换的多种合法渲染，并把「没做到」与「改坏了」分开报告。 契约清单共 29,460 条原子判据（必需 14,831、受保护 14,629；SA 14,322、RA 10,520、VQ 4,618），每案例平均 10.8 条、中位数 10 条，且每个案例至少有一条受保护判据；评测由 VLM 与固定分配的 SAM、YOLO 检查器共同完成，弃权不重分配权重。

在 11 个系统上，最强模型 GPT-Image-2 仅得 57.0% SolveScore，Seedream 5.0 Pro 为 56.6%、Gemini 3.1 Flash Image 为 55.5%；性能随信息依赖程度下降，RD 比 IS 低 17.2 至 23.7 分，SD 低 7.0 至 8.8 分，且经领域构成调整后缺口集中在必需语义（-25.0 分）与必需关系（-13.0 分），必需视觉质量仅 -5.6 分。 该诊断把失败区分为「解恢复错误」（选错变换）与「视觉执行错误」（变换对但没渲染好），并指出当前失败主要来自前者，而非仅渲染质量。 同一 2,728 案例清单、同一隐藏契约与确定性评分器；GPT-Image-2 完成度最高但附带损伤高于 Seedream（23.9 对 17.6），说明相近总分可对应不同的完成—保留权衡。

两阶段规划器 SolveEdit-Plan 在生成前先实例化变换：Inspect 找出未解析变量并采集定向视觉证据，Resolve 比较候选变换并编译成一次生成调用所需的完成条件与保留义务；在匹配的单次生成预算下把 GPT-Image-2 从 57.0% 提升到 71.6%，比同预算的 Generic Vision Rewrite 高 6.3 分，并迁移到 Qwen-Image-Edit-2509（20.8%→26.9%）与 HunyuanVideo-1.5（7.4%→14.0%）。 该干预直接检验 RQ2 的诊断：若失败主要源于解恢复，那么在生成前显式确定变换应当有效；且规划器无学习参数、不改动编辑器，仅通过指令接口起作用。 匹配比较固定案例清单、输出数量、评分契约与最终生成调用次数；相对 Generic Vision Rewrite，必需完成度从 72.8 升至 75.8，附带损伤从 16.3 降至 8.6；规划每案例两次 LLM 调用，平均 3,207 输入 token 与 635 输出 token。

该基准面向「以改变场景作答」的生成式视觉问题求解，适用于图像编辑与视频终帧评估场景；对视频仅以终帧套用同一契约，用于检验变换契约的跨模态迁移，时间维度的生成不在范围内。规划器面向单次生成调用、编辑器参数不变的设定，其增益在匹配调用预算下成立；对希望在不重训模型的前提下提升场景依赖与规则依赖任务完成度、并减少附带改动的开发者与评测者，这套契约与规划接口可直接复用。

规划带来的提升伴随额外的测试时计算（每案例两次 LLM 调用），等调用次数并不等于等 token 消耗，成本与延迟的核算需结合实现细节；开源图像编辑器与视频生成器的绝对分数仍低（26.9% 与 14.0%），残余错误究竟来自规划还是生成尚未区分；评测主要由 VLM 完成，部分判据由 SAM、YOLO 等工具提供证据并在分歧时追加一次 VLM 调和，弃权会降低证据覆盖度；此外，本次读取为全文，但图表与附录中的逐类别、逐机制与敏感性结果以文字描述为主，具体数值细节仍需查阅原文与发布材料。