Edit-R2：面向多轮图像编辑的上下文感知强化学习框架

Edit-R2是一种面向多轮图像编辑的上下文感知强化学习后训练框架，通过重构会话意图和统一优化目标，有效解决了长上下文稀释和状态污染问题，并配套发布了MICE-Bench评测基准。该框架旨在提升多轮图像编辑的准确性与稳定性，推动技术向更贴近用户实际需求的协作式交互演进。

文本引导的图像编辑技术近年进步显著，但多数方法局限于单轮场景。实际使用中，图像编辑常为迭代过程（如先换背景再添加元素），更具实际价值。然而，连续编辑面临两大耦合失效模式：长上下文稀释与状态污染，这是当前模型的核心痛点。

1. 长上下文稀释：随轮次增加，历史图像-文本信息累积，稀疏文本约束易被淹没（如早期“保持面部特征”的约束丢失）；2. 状态污染：早期编辑错误会持续存在甚至放大，像滚雪球般影响后续结果。两者相互纠缠，加剧多轮编辑难度。

Edit-R2从三方面解决挑战：1. 会话意图重构：每轮前提炼历史约束为清晰推理轨迹，缓解长上下文稀释；2. 统一优化目标：同时优化离散文本意图生成与连续潜空间图像生成，形成端到端闭环；3. 轨迹过滤机制：训练中抑制含错误的编辑序列，解决状态污染问题。

研究团队推出MICE-Bench评测基准，包含三个自动化指标：1. 指令遵循度（IF）：评估每轮指令执行准确性；2. 内容一致性（CC）：检验图像与历史内容的一致性；3. 全局感知度（GA）：衡量对累积会话约束的整体把握能力，为领域研究提供标准化评估手段。

实验显示Edit-R2显著提升多轮编辑能力，优于基线方法。关键洞察：显式管理会话级约束比堆叠历史信息更有效。应用上，让用户可逐步迭代编辑，使工具从“被动工具”向“主动协作者”转变，更贴近真实工作流程。

Edit-R2的显式意图重构思路可推广到多轮对话、渐进式代码生成等序列决策场景。未来，如何利用多模态模型处理复杂长期交互任务将是重要方向，Edit-R2与MICE-Bench为该领域奠定了技术基础。