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

不知你有沒有發(fā)現(xiàn)，用ChatGPT里的圖像編輯挺順，但換幾個開源工具就頻頻翻車？這不是錯覺——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東西——足夠多且足夠好的訓練素材，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；全自動流水線倒是能批量生產(chǎn)，但環(huán)節(jié)一多，前面的小錯會一路放大成災難——比如第一步識別錯了物體，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)有三個漏銅：

? '傳話游戲'式誤差：一個編輯任務要過N個工具（識別→分割→生成→融合），前面一步歪一點，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'這種基礎題，不考'從空中俯瞰這個建筑'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。而且評分標準還有bug——背景被偷偷改了看不出來，風格一變就扣冤枉分。

圖1: UnicEdit-10M 涵蓋了跨越基礎與復雜編輯的 22 種編輯任務。該數(shù)據(jù)集采用統(tǒng)一的后置驗證階段，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，利用細粒度指標進行全面評估。

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

論文標題：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

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，不僅包含基礎的屬性和對象編輯，還涵蓋幾何空間變化和基于推理知識的編輯任務，同時，該數(shù)據(jù)集的圖像美學得分也超越其他數(shù)據(jù)集。

2. Qwen-Verify 后校驗專家模型：訓練了一個 7B 規(guī)模的雙任務專家模型，能夠同時進行細粒度的失敗檢測和指令重寫，在計算成本和經(jīng)濟成本遠低于 Qwen2.5-VL-72B 的情況下，實現(xiàn)了更優(yōu)的性能。

3. UnicBench 綜合評估基準：提出了覆蓋基礎編輯、幾何空間變化以及基于推理知識編輯任務的綜合基準，引入了非編輯一致性和推理準確性等新穎評估指標，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化流水線：

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

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〉進行處理，生成編輯后的圖像，形成初始的三元組。同時對源圖像進行中心裁剪和縮放預處理，并進行質(zhì)量檢查，丟棄需要超過 20% 裁剪的圖像，避免內(nèi)容丟失。

3. 后校驗階段：所有合成的三元組都經(jīng)過統(tǒng)一的后校驗環(huán)節(jié)，不僅過濾掉失敗的樣本，還會優(yōu)化對應的指令，增強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: 包含三個階段的數(shù)據(jù)構(gòu)建流水線：(1) 數(shù)據(jù)準備；(2) 圖像編輯；(3) 后校驗，用于過濾失敗的編輯樣本并進行指令重寫（Recaption）。

03

后校驗專家模型

在后校驗階段，為了實現(xiàn)更為準確和高效的質(zhì)量控制，作者訓練了7B的雙任務后校驗專家模型Qwen-Verify，通過使用人類標注的偏好數(shù)據(jù)進行偏好對齊，實現(xiàn)更為準確的數(shù)據(jù)篩選。該專家模型能夠同時執(zhí)行如下兩個關(guān)鍵任務：：

1. 編輯失敗檢測：能夠細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，Qwen-Verify 具備語義理解能力，能夠準確識別出語義上有變化但視覺上細微的編輯，同時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行重寫，確保指令與實際的視覺變換精確匹配。

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

圖4: 專家模型后校驗樣例。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)后的基礎模型；Ours 表示我們提出的雙任務專家模型 Qwen-Verify。

04

UnicBench：綜合編輯能力評測

UnicBench 是一個覆蓋基礎編輯、幾何空間變化以及基于推理知識編輯任務的綜合基準，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，再由人類專家進行審核，移除模糊或語義不一致的提示，并進行重寫以匹配特定的編輯任務類別，每個類別包含 50 個測試用例。

為了實現(xiàn)更精準的評估，UnicBench 引入了四個專門的評估指標：

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

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

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

4. 推理準確性（RA）：針對基于推理知識的編輯任務，VLM會利用所提供的reasoning points 列表，針對實際編輯變化進行對比打分，該列表均經(jīng)過人工進行核驗優(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確性（RA）指標上均出現(xiàn)了顯著的性能下降，這表明當前模型在執(zhí)行需要復雜邏輯推理或世界知識的編輯任務時存在普遍的局限性，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)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(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)載時需標注來源并插入本公眾號名片。