多轮图像编辑中，每一轮输出都会成为下一轮输入，未被要求改动的细节会逐轮累积成明显漂移。TailSteer把保真校正集中到扩散采样去噪轨迹的尾段，前段仍沿用基座模型的动态，并用编辑器自身在线 rollout 中未改动的内容作为保真参照，不需要人工标注的编辑配对。在 FLUX、SenseNova 与 Qwen 三个模型家族的四个基座模型上，15到20轮编辑的累积漂移明显减小，同时文生图与单轮编辑基准上的表现大体保持。
EditAgent把图像编辑智能体的动作空间扩到通用编辑器之外的专用方法，并给每个候选附上变化图、局部放大和颜色几何测量等核验记录，让现成视觉语言模型在一次列表式调用中比较候选。在600组、30类编辑的专家标注诊断集上，通用编辑器在42.7%的组里没有可用结果，专用方法补回了其中175组；在144个Complex-Edit样本的盲评中，专家在非平局比较里78.5%偏好并行搜索而非顺序精修，且评判调用不超过后者的一半。
该工作发现指令式图像编辑模型在递归多轮编辑中会快速退化，并将其归因于训练时只见过干净源图、推理时却要反复以自身不完美输出为条件的训练—测试条件分布错配，于是提出 MT-OPSD：用恒等指令让当前学生模型自我 rollout 出含自身误差的状态，再由以干净源图为条件的同一模型作为教师，通过稀疏速度匹配把干净条件下的编辑行为迁移到这些自生成状态上，无需多轮标注；同时构建含 100 个十轮编辑会话的 LME-Bench，在三个编辑骨干上把 SR@10 提升到 0.38–0.52、把 CR@10 降到不超过 0.04，并基本保持单轮编辑质量。
已读完全部报道