基本信息

• 作者：Yuxiao Ye, Haoran He, Fangyuan Kong, Xintao Wang, Pengfei Wan, Kun Gai, Ling Pan
• 机构：香港科技大学、快手
• 状态：arXiv 预印本，v2 更新于 2026 年 6 月 26 日
• 基础模型：BAGEL
• 关键词：多轮图像编辑、强化学习、上下文推理、Flow-GRPO、Text-GRPO

注意：本文的 in-context editing 指模型利用整段多轮编辑历史完成后续编辑，并不是通过示例图像对迁移变换的 Visual In-Context Learning。

一句话总结

Edit-R2 将多轮图像编辑建模为一个长时序强化学习问题：模型先利用 IC-CoT 从图文历史中恢复当前真正生效的用户意图，再通过统一的 RL 目标联合优化文本推理和 Flow Matching 图像生成，同时过滤已经失败的多轮轨迹，减少错误传播。

1. 研究背景与问题

现有图像编辑模型主要面向单轮任务：

$Y_{t+1}=\pi(Y_t,T_t)$

即模型只需要根据当前图像 ($Y_t$) 和当前指令 ($T_t)$ 生成结果。

但真实交互通常是多轮的。例如：

1. 把杯子变成红色；
2. 把它移动到桌子上；
3. 删除它。

第三轮中的“它”必须结合前两轮历史才能理解。此外，用户还可能提出持续性约束，例如：