他們用一套"質(zhì)檢+改題"雙系統(tǒng)，造出了AI圖像編輯領(lǐng)域的第一套標(biāo)準(zhǔn)化教材。

不知你有沒有發(fā)現(xiàn)，用ChatGPT里的圖像編輯挺順，但換幾個(gè)開源工具就頻頻翻車？這不是錯(cuò)覺——頂尖閉源模型（如GPT-Image-1）和開源模型之間的差距，正在被越拉越大。 根源在于：開源陣營手里沒有兩樣?xùn)|西——足夠多且足夠好的訓(xùn)練素材，以及一套能全面體檢模型能力的'診斷系統(tǒng)'。

更麻煩的是，做數(shù)據(jù)就像走鋼絲：純手工打造的精品數(shù)據(jù)集，質(zhì)量過硬但根本攢不夠量；全自動(dòng)流水線倒是能批量生產(chǎn)，但環(huán)節(jié)一多，前面的小錯(cuò)會一路放大成災(zāi)難——比如第一步識別錯(cuò)了物體，后面所有編輯都跟著跑偏。

具體來說，現(xiàn)在的數(shù)據(jù)生產(chǎn)有三個(gè)漏銅：

? '傳話游戲'式誤差：一個(gè)編輯任務(wù)要過N個(gè)工具（識別→分割→生成→融合），前面一步歪一點(diǎn)，后面步步歪；

? '安檢'走過場：要么只查'有沒有出圖'而不管文本指令對不對，要么花大價(jià)錢調(diào)API改文字描述，卻不管圖本身質(zhì)量；

? '考試范圍'太窄：現(xiàn)有測試只考'換顏色'、'加物體'這種基礎(chǔ)題，不考'從空中俯瞰這個(gè)建筑'這種空間理解題，也不考'將咖啡壺變?yōu)橹蠓袪顟B(tài)'這種需要常識推理的題。而且評分標(biāo)準(zhǔn)還有bug——背景被偷偷改了看不出來，風(fēng)格一變就扣冤枉分。

圖1: UnicEdit-10M 涵蓋了跨越基礎(chǔ)與復(fù)雜編輯的 22 種編輯任務(wù)。該數(shù)據(jù)集采用統(tǒng)一的后置驗(yàn)證階段，通過過濾失敗樣本并精煉指令，從而產(chǎn)出高質(zhì)量的三元組數(shù)據(jù)。此外，我們還推出了配套的 UnicBench，利用細(xì)粒度指標(biāo)進(jìn)行全面評估。

針對這個(gè)痛點(diǎn)，浙江大學(xué)和騰訊聯(lián)合搞了個(gè)大動(dòng)作：他們不僅造出了1000萬組高質(zhì)量的"圖像編輯練習(xí)題"（UnicEdit-10M），還配了一套22類難度遞進(jìn)的"全真模擬考卷"（UnicBench）。簡單來說，就是給AI圖像編輯領(lǐng)域提供了標(biāo)準(zhǔn)化的教材+考試系統(tǒng)。除此之外，他們還配置了一名"嚴(yán)格判官"（Qwen-Verify），對生成的圖像編輯數(shù)據(jù)進(jìn)行嚴(yán)格的篩選和優(yōu)化，保證最終得到的"練習(xí)題"的答案都是正確且高質(zhì)量的。

論文標(biāo)題：UnicEdit-10M: A Dataset and Benchmark Breaking the Scale-Quality Barrier via Unified Verification for Reasoning-Enriched Edits

論文地址：https://arxiv.org/pdf/2512.02790

代碼倉庫：https://github.com/WeChatCV/UnicBench

項(xiàng)目主頁：https://hongsexiaotanhua.github.io/UnicEdit-10M/

數(shù)據(jù)集：https://huggingface.co/datasets/xiaotanhua/UnicEdit-10M

Benchmark：https://huggingface.co/datasets/xiaotanhua/UnicBench

01

核心亮點(diǎn)

1. 大規(guī)模高質(zhì)量數(shù)據(jù)集 UnicEdit-10M：構(gòu)建了包含 10M 樣本的高質(zhì)量圖像編輯數(shù)據(jù)集，覆蓋 22 種編輯任務(wù)，不僅包含基礎(chǔ)的屬性和對象編輯，還涵蓋幾何空間變化和基于推理知識的編輯任務(wù)，同時(shí)，該數(shù)據(jù)集的圖像美學(xué)得分也超越其他數(shù)據(jù)集。

2. Qwen-Verify 后校驗(yàn)專家模型：訓(xùn)練了一個(gè) 7B 規(guī)模的雙任務(wù)專家模型，能夠同時(shí)進(jìn)行細(xì)粒度的失敗檢測和指令重寫，在計(jì)算成本和經(jīng)濟(jì)成本遠(yuǎn)低于 Qwen2.5-VL-72B 的情況下，實(shí)現(xiàn)了更優(yōu)的性能。

3. UnicBench 綜合評估基準(zhǔn)：提出了覆蓋基礎(chǔ)編輯、幾何空間變化以及基于推理知識編輯任務(wù)的綜合基準(zhǔn)，引入了非編輯一致性和推理準(zhǔn)確性等新穎評估指標(biāo)，能夠全面診斷模型的編輯能力，為未來研究提供了清晰的方向。

圖2: UnicEdit-10M 中所有子任務(wù)的代表性編輯樣例。

02

UnicEdit-10M數(shù)據(jù)集構(gòu)建

UnicEdit-10M 的構(gòu)建采用了三階段的高效自動(dòng)化流水線：

1. 指令生成階段：使用 Qwen2.5-VL-72B 模型，基于預(yù)定義的編輯分類體系，為每張圖像生成 3-7 個(gè)不同的、符合內(nèi)容的編輯指令，確保任務(wù)分布均衡，無需人工標(biāo)注。

2. 圖像編輯階段：使用 FLUX.1-Kontext 和 Qwen-Image-Edit 兩款領(lǐng)先的開源編輯模型，對每一對〈原始圖像，指令〉進(jìn)行處理，生成編輯后的圖像，形成初始的三元組。同時(shí)對源圖像進(jìn)行中心裁剪和縮放預(yù)處理，并進(jìn)行質(zhì)量檢查，丟棄需要超過 20% 裁剪的圖像，避免內(nèi)容丟失。

3. 后校驗(yàn)階段：所有合成的三元組都經(jīng)過統(tǒng)一的后校驗(yàn)環(huán)節(jié)，不僅過濾掉失敗的樣本，還會優(yōu)化對應(yīng)的指令，增強(qiáng)其與視覺編輯的語義對齊。

最終生成的 UnicEdit-10M 數(shù)據(jù)集包含約 10M 個(gè)三元組，分為 4 大編輯類型：場景編輯（3.063M 樣本）、屬性編輯（3.529M 樣本）、對象編輯（3.242M 樣本）和推理編輯（1.746M 樣本），其中 50% 的圖像為 1024×1024 的高分辨率圖像。

圖3: 包含三個(gè)階段的數(shù)據(jù)構(gòu)建流水線：(1) 數(shù)據(jù)準(zhǔn)備；(2) 圖像編輯；(3) 后校驗(yàn)，用于過濾失敗的編輯樣本并進(jìn)行指令重寫（Recaption）。

03

后校驗(yàn)專家模型

在后校驗(yàn)階段，為了實(shí)現(xiàn)更為準(zhǔn)確和高效的質(zhì)量控制，作者訓(xùn)練了7B的雙任務(wù)后校驗(yàn)專家模型Qwen-Verify，通過使用人類標(biāo)注的偏好數(shù)據(jù)進(jìn)行偏好對齊，實(shí)現(xiàn)更為準(zhǔn)確的數(shù)據(jù)篩選。該專家模型能夠同時(shí)執(zhí)行如下兩個(gè)關(guān)鍵任務(wù)：：

1. 編輯失敗檢測：能夠細(xì)粒度地識別出編輯失敗的樣本，包括無編輯、幻覺等情況，相比傳統(tǒng)的 SSIM 等像素級指標(biāo)，Qwen-Verify 具備語義理解能力，能夠準(zhǔn)確識別出語義上有變化但視覺上細(xì)微的編輯，同時(shí)忽略生成過程中微小的像素級噪聲。

2. 編輯指令重寫：能夠?qū)εc編輯結(jié)果語義對齊不足的指令進(jìn)行重寫，確保指令與實(shí)際的視覺變換精確匹配。

對比實(shí)驗(yàn)顯示，Qwen-Verify 在正常編輯、無編輯和幻覺檢測的準(zhǔn)確率上均顯著優(yōu)于 Qwen2.5-VL-7B、Qwen2.5-VL-72B 等基線模型，在人臉一致性等關(guān)鍵指標(biāo)上，UnicEdit-10M 的一致性得分達(dá)到 0.89，遠(yuǎn)優(yōu)于 GPT-Image-Edit-1.5M 的 0.3025，展現(xiàn)出在保持關(guān)鍵主體細(xì)節(jié)上的卓越能力。

圖4: 專家模型后校驗(yàn)樣例。其中：Base 表示 Qwen2.5-VL-7B 模型；SFT 表示經(jīng)過第一階段指令微調(diào)后的基礎(chǔ)模型；Ours 表示我們提出的雙任務(wù)專家模型 Qwen-Verify。

04

UnicBench：綜合編輯能力評測

UnicBench 是一個(gè)覆蓋基礎(chǔ)編輯、幾何空間變化以及基于推理知識編輯任務(wù)的綜合基準(zhǔn)，其構(gòu)建過程采用了 VLM 與人工結(jié)合的工作流：首先由 Qwen2.5-VL 生成候選指令，再由人類專家進(jìn)行審核，移除模糊或語義不一致的提示，并進(jìn)行重寫以匹配特定的編輯任務(wù)類別，每個(gè)類別包含 50 個(gè)測試用例。

為了實(shí)現(xiàn)更精準(zhǔn)的評估，UnicBench 引入了四個(gè)專門的評估指標(biāo)：

1. 指令遵循度（IF）：通過基于 VLM 的跨模態(tài)對齊分?jǐn)?shù)，衡量編輯圖像滿足指令的程度。

2. 非編輯一致性（NC）：評估非目標(biāo)區(qū)域的保留情況，對編輯區(qū)域外的意外變化進(jìn)行懲罰。

3. 視覺質(zhì)量（VQ）：基于指令的自然度、連貫性和視覺風(fēng)格一致性的評估。

4. 推理準(zhǔn)確性（RA）：針對基于推理知識的編輯任務(wù)，VLM會利用所提供的reasoning points 列表，針對實(shí)際編輯變化進(jìn)行對比打分，該列表均經(jīng)過人工進(jìn)行核驗(yàn)優(yōu)化。

對主流模型的評估結(jié)果顯示，閉源模型在整體能力上顯著優(yōu)于開源模型，GPT-Image-1 在英文和中文任務(wù)上均取得了最高的綜合得分，展現(xiàn)出最優(yōu)的通用編輯能力。開源模型中，Qwen-Image-Edit 表現(xiàn)最佳，開始縮小與閉源模型的差距。但所有模型在推理準(zhǔn)確性（RA）指標(biāo)上均出現(xiàn)了顯著的性能下降，這表明當(dāng)前模型在執(zhí)行需要復(fù)雜邏輯推理或世界知識的編輯任務(wù)時(shí)存在普遍的局限性，為未來的研究指明了方向。

圖5: 各模型在 UnicBench 子任務(wù)上的綜合評分，左側(cè)為英文（EN）指令結(jié)果，右側(cè)為中文（CN）指令結(jié)果。所有結(jié)果均由 GPT-4o 進(jìn)行評估。

表1: 不同模型在 UnicBench 上的綜合性能表現(xiàn)。開源模型與閉源模型的結(jié)果分別標(biāo)注，其中最優(yōu)性能以加粗表示，次優(yōu)性能以下劃線表示。

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號名片。