从评估到演进：图像编辑基准评测与图像模型演进

现实世界中的图像编辑需要在保留内容并满足参考约束的同时，协调多种视觉变换，但汇总分数很容易掩盖未满足的局部要求。因此，有效的评估必须识别局部失败，并将其转化为后续模型改进的优先事项。我们推出了 WeGenEditBench，涵盖单图像编辑、文本密集型编辑和多参考图像编辑，共包含 2,740 个评估实例和 148 种任务类型。各模型共用的预生成检查清单将每项请求分解为原子要求；评估时先确定逐项扣分及其视觉证据，再汇总为编辑执行、内容保留、视觉质量和任务特定正确性四个方面的分数。为支持递归自我改进（RSI）中的经验获取环节，我们开发了 WeGenEvoStudio，这是一个面向 RSI 学习的统一多智能体框架，集成了以模型为条件的失败诊断、基于检索的数据构建、监督式适配和重新评估。在接受评估的 15 种配置中，GPT-Image-2 以 4.076 的总体得分领跑单图像编辑，而 Seedream-5.0-Pro 则以 4.291 的得分领跑文本密集型编辑。在四个生成与编辑基准上的演进实验表明，模型取得了显著的针对性提升：在各自根据报告选出的前 5 项单图像改进目标上，FLUX.2 [dev] 的总体得分从 1.083 提升至 3.517，而 Qwen-Image-Edit-2511 提升了 13.2%。我们的基准与框架共同奠定了基础，使开发者能够通过可解释的评估和反馈驱动的学习，开发更可靠的图像模型。