Adobe, görsel düzenlemede yapay zekâ ajanı EditAgent'ı test etti

Adobe Research ve UC San Diego'daki araştırmacılar, görsel düzenleme görevlerini adımlara bölerek her adımda uygun aracı seçen bir yapay zekâ ajanı geliştirdi. EditAgent adı verilen sistem, genel amaçlı bir görsel düzenleyiciyi hassaslaştırma, döndürme ya da yakınlaştırma gibi işlere özel araçlarla eşleştiriyor. Araştırmacıların yeni bir makalede paylaştığı sonuçlara göre sistem, test edilen önceki ajanlardan daha isabetli çıktı üretiyor.

EditAgent, yaklaşık on kat daha fazla hesaplama gücü gerektiriyor. Buna karşılık sistemin yalnızca doğrulanmış sonuçları saklaması, yaklaşık 26 bin eğitim örneği üretilmesini sağladı; bu verilerle ince ayar yapılan düzenleyiciler üç test setinde de daha iyi performans gösterdi.

EditAgent nasıl çalışıyor?

Sistem, gelen düzenleme isteğini adımlara ayırıyor ve her adımda genel amaçlı düzenleyiciyi konuya uygun özel araçlarla karşı karşıya getiriyor. Ardından standart bir dil modeli, ortaya çıkan tüm varyantları tek geçişte karşılaştırıyor.

Model her varyant için düzenlenen bölgenin yakın plan görüntüsünü, değişen alanların haritasını ve parlaklık ile renge dair ölçülmüş istatistikleri içeren bir doğrulama kaydı alıyor. Makaledeki bir örnekte, hafifçe aydınlatılması istenen bir fotoğrafı genel amaçlı düzenleyici fazla pozlarken renkleri daha sıcak bir tona kaydırdı; özel araç ise istenen aralıkta kaldı.

Ajan ayrıca her turdan sonra yeni düzenlemelerin öncekileri yanlışlıkla geri alıp almadığını kontrol ediyor. Makalede verilen örnekte, "daha fazla gün ışığı almasını sağla" talimatı önceden buzlu olan bir pencereyi yeniden şeffaf hale getiriyor; ajan bu çakışmayı yakalayıp düzeltiyor.

Testlerde hangi sonuçlar alındı?

Araştırmacılar, 600 görsel düzenlemesinden oluşan bir test setini beş profesyonelin kör değerlendirmesine sundu. Genel amaçlı düzenleyici Flux-2-Klein-9B, bu düzenlemelerin yüzde 42,7'sinde kullanılabilir sonuç üretemedi. Özel araçlar söz konusu hataların yaklaşık üçte ikisini çözdü; bu etki özellikle hassaslaştırma, döndürme ve yakınlaştırma işlerinde belirginleşti. Aynı düzenleyiciyle daha fazla deneme yapmak ise sonucu pek değiştirmedi.

Araştırmacılar, bir ajanın adım adım iyileştirme mi yoksa paralel varyant üretme yoluyla mı daha iyi sonuç verdiğini de test etti. Adım adım iyileştirme, her turun zaten değiştirilmiş bir görsel üzerine kurulması nedeniyle küçük hataları biriktiriyor. Profesyonellerin taraf seçtiği karşılaştırmaların yüzde 78,5'inde orijinalden üretilen paralel varyantlar tercih edildi. Bu yaklaşım, değerlendirme turu sayısını da yarıya indirdi.

Değerlendirme modelinin başarısında doğrulama kaydının etkisi belirgin oldu. Kayıt olmadan test edilen yedi dil modelinin hiçbiri, insan puanlamalarıyla ince ayar yapılmış en iyi modele yetişemedi. Doğrulama kaydı verildiğinde ise yedisi de bu modelleri geçti. Qwen3.8-27B, yüzde 81,3 isabetle kullanılabilir bir sonuç seçerken EditScore-72B'de bu oran yüzde 74,8'de kaldı. Araştırmacılar bu sonucu, değerlendirme modelinin ne gördüğünün nasıl eğitildiğinden daha önemli olabileceği şeklinde yorumluyor.

Açık kaynak düzenleyicilerde ve eğitim verisinde ne değişti?

EditAgent, açık kaynak düzenleyiciler Qwen-Image-Edit-2511 ve Flux-2-Klein-9B'nin sonuçlarını üç test setinde de iyileştirdi ve yedi başka yapay zekâ ajanından daha iyi performans gösterdi. EdiVal test setinde Qwen tabanlı varyant, üçüncü düzenleme turunda ticari modeller Seedream 4.0 ve GPT-Image-1.5'i geride bıraktı.

Araştırmacılar sistemi aynı zamanda bir veri kaynağı olarak kullandı. Ajan yalnızca doğrulanmış sonuçları tuttuğu için yaklaşık 26 bin eğitim örneği ortaya çıktı ve bu verilerle ince ayar yapılan düzenleyiciler üç test setinde de daha iyi sonuç verdi. Buna karşılık doğrudan FLUX tarafından üretilen eğitim verisi, FLUX'un performansını kötüleştirdi. Araştırmacılara göre bu denge, ajanın yüksek hesaplama maliyetini zamanla karşılayabilir.

Neden önemli?

Adobe, haziran ayında Photoshop, Premiere ve diğer Creative Cloud uygulamalarına yapay zekâ ajanları ekledi; özellik herkese açık beta olarak başladı. Kullanıcılar ne istediklerini tarif ediyor, ajan da tek tek adımları yürütüyor. Bu ajanların doğru aracı ne kadar iyi seçtiği ve kendi çıktısını ne kadar iyi denetlediği, doğrudan Adobe'nin kullanımdaki ürünlerini ilgilendiren bir soru.

Araştırmacıların test ettiği genel amaçlı model de bu arada değişti. Black Forest Labs, makalede incelenen modelin yerine Flux 3 Image Klein'ı duyurdu; şirketin kendi iç testlerine göre 5,6 milyar parametreli yeni model, Flux 2 Klein'dan daha küçük olmasına rağmen diğer tüm açık modelleri ve ticari Flux 2 Pro'yu geride bırakıyor. Türkiye'de kullanıcıların EditAgent'a ne zaman erişebileceğine dair bir açıklama ise bulunmuyor.