Adobe-Forscher haben einen KI-Agenten für die Bildbearbeitung entwickelt, der neben einem Allzweck-Editor auch Spezialwerkzeuge einsetzt. Ein gewöhnliches Sprachmodell vergleicht die Ergebnisse dabei anhand von Messwerten und wählt das beste aus.
KI-Agenten für die Bildbearbeitung zerlegen komplexe Anfragen in Schritte und wiederholen einen misslungenen Schritt meist mit denselben Werkzeugen, während ein Prüfmodell das Ergebnis nach Augenmaß bewertet.
Forscher von Adobe Research und der UC San Diego wollen das mit ihrem System EditAgent ändern, das laut einer neuen Studie eher wie ein Profi in Photoshop vorgeht. Es wählt für jede Aufgabe das passende Werkzeug und vergleicht das Ergebnis genau mit dem Original.
Statt mit demselben Editor immer neue Versuche zu starten, erzeugt EditAgent Kandidaten mit verschiedenen Methoden parallel und lässt sie von einem unveränderten Sprachmodell gemeinsam bewerten. | Bild: AdobeAllzweck-Editor scheitert an vielen Aufgaben
In einem Test mit 600 Bildbearbeitungen, von fünf Profis blind bewertetet, lieferte der Allzweck-Editor Flux-2-Klein-9B in 42,7 Prozent der Fälle kein brauchbares Ergebnis. Gut zwei Drittel dieser Fälle konnten Spezialwerkzeuge lösen, vor allem beim Schärfen, Drehen oder Zoomen. Mehr Versuche mit demselben Editor halfen dagegen kaum.
Die Forscher prüften außerdem, ob ein Agent sein Ergebnis besser schrittweise nachbessert oder mehrere Varianten parallel erzeugt. Beim Nachbessern häufen sich kleine Fehler an, weil jede Runde auf dem bereits veränderten Bild aufbaut. Die parallel aus dem Original erzeugten Varianten bevorzugten die Profis in 78,5 Prozent der Vergleiche, bei denen sie sich festlegten. Der Agent brauchte dafür nur halb so viele Durchläufe des Prüfmodells. Auf diesen beiden Erkenntnissen baut EditAgent auf.
Messwerte machen Standardmodelle zu besseren Prüfern
EditAgent plant eine Anfrage in Schritten und lässt für jeden Schritt den Allzweck-Editor gegen passende Spezialwerkzeuge antreten. Ein gewöhnliches Sprachmodell vergleicht danach alle Varianten in einem Durchgang.
EditAgent zerlegt eine Anfrage in abhängige Schritte und erzeugt pro Schritt mehrere Kandidaten. Ein Sprachmodell wählt anhand von Prüfdaten den besten aus. | Bild: AdobeZu jeder Variante erhält es ein Prüfprotokoll mit einer Nahaufnahme der bearbeiteten Stelle, einer Karte der veränderten Bereiche und Messwerten etwa zu Helligkeit und Farbe. Bei einem Foto, das behutsam aufgehellt werden sollte, zeigten die Werte, dass der Generalist es überbelichtete und die Farben wärmer machte. Das Spezialwerkzeug hielt sich an die Vorgabe.
Nahaufnahmen und gemessene Bildstatistiken machen Fehler sichtbar, die ein Sprachmodell beim bloßen Betrachten des Gesamtbilds übersieht. | Bild: AdobeWie gut das funktioniert, prüften die Forscher an ihrem Test mit den 600 Bildbearbeitungen. Das Prüfmodell sollte jeweils aus mehreren Ergebnissen das beste auswählen. Gezählt wurde, wie oft es sich dabei für ein Bild entschied, das auch die Profis für brauchbar hielten. Zum Vergleich traten Modelle wie EditScore an, die eigens mit menschlichen Bewertungen von Bildbearbeitungen trainiert wurden.
Ohne Prüfprotokoll kam keines der sieben getesteten Sprachmodelle an das beste dieser Spezialmodelle heran. Mit Protokoll schnitten alle sieben besser ab als sämtliche Spezialmodelle. Qwen3.8-27B traf in 81,3 Prozent der Fälle eine brauchbare Wahl, EditScore-72B in 74,8 Prozent. Für die Forscher zeigt das, dass es bei einem Prüfmodell mehr darauf ankommen kann, welche Informationen es bekommt, als darauf, wie es trainiert wurde.
Mit Verifikationsdaten schlagen alle getesteten Standard-Sprachmodelle das stärkste speziell trainierte Bewertungsmodell EditScore-72B mit 74,8 Prozent. | Bild: AdobeNach jeder Runde kontrolliert EditAgent zudem, ob spätere Änderungen frühere rückgängig gemacht haben. Im Beispiel der Studie macht die Anweisung "mehr Tageslicht" ein zuvor vereistes Fenster wieder klar. Der Agent erkennt den Fehler und repariert ihn.
Eine Rückprüfung nach jeder Runde stellt sicher, dass spätere Bearbeitungen frühere Änderungen nicht unbemerkt rückgängig machen. | Bild: AdobeHöhere Qualität kostet zehnmal mehr Rechenzeit
EditAgent verbesserte die Open-Source-Editoren Qwen-Image-Edit-2511 und Flux-2-Klein-9B auf drei Benchmarks und schnitt besser ab als sieben andere KI-Agenten. Auf dem Benchmark EdiVal lag die Qwen-Variante in der dritten Bearbeitungsrunde knapp vor den kommerziellen Modellen Seedream 4.0 und GPT-Image-1.5.
Der Agent benötigt etwa zehnmal so viel Rechenzeit wie ein einzelner Editor. Außerdem hängt seine Leistung davon ab, welche Werkzeuge überhaupt eingebunden sind.
Agent erzeugt Trainingsdaten für schnellere Editoren
Die Forscher setzen EditAgent deshalb auch als Datenquelle ein. Weil der Agent nur geprüfte Ergebnisse übernimmt, entstanden rund 26.000 Trainingsbeispiele. Editoren, die damit trainiert wurden, arbeiteten anschließend auf allen drei Benchmarks besser. Trainingsdaten, die FLUX direkt erzeugt hatte, verschlechterten FLUX dagegen. Auf diesem Weg könnte der Agent seine hohen Rechenkosten wieder ausgleichen.
Adobe hatte erst im Juni KI-Agenten in Photoshop, Premiere und weitere Creative-Cloud-Apps eingebaut, zunächst als öffentliche Beta. Nutzer beschreiben dort das gewünschte Ergebnis, und der Agent erledigt die einzelnen Arbeitsschritte. Wie zuverlässig solche Agenten Teilaufgaben auf passende Werkzeuge verteilen und ihre Ergebnisse prüfen, betrifft damit auch
Adobes eigene Produkte. Black Forest Labs hat den in der Studie getesteten Generalisten inzwischen abgelöst: Das neue Flux 3 Image Klein ist mit 5,6 Milliarden Parametern kleiner als Flux 2 Klein und schneidet in internen Vergleichstests von Black Forest Labs trotzdem besser ab als alle anderen offenen Modelle und sogar als das kommerzielle Flux 2 Pro.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
