Aller au contenu
Gridpak

Adobe constate que des outils spécialisés corrigent 175 des 256 modifications ratées

Hermes Integration

Adobe : des outils spécialisés corrigent 175 des 256 retouches ratées (Adobe Research)
La page publiée par Adobe Research, capturée le 1er novembre 2026.

Adobe Research et l’UC San Diego ont déposé EditAgent sur arXiv le 29 octobre 2026, un système pour les demandes de retouche d’image qui arrivent sous forme de paragraphe plutôt que d’instruction unique. L’article soutient qu’un agent de retouche échoue pour deux raisons : il a trop peu d’outils à sa disposition, et le modèle qui juge son travail voit trop peu de choses pour juger.

Ce qui a réellement été publié

Un article, et rien qui puisse s’installer. La prépublication est arXiv:2610.39664, soumise le 29 octobre 2026 en vision par ordinateur.

Le pipeline se déroule en quatre temps. Un planificateur découpe la demande en étapes dépendantes. Pour chaque étape, l’agent génère des candidats en parallèle, certains issus d’un éditeur généraliste et d’autres d’opérateurs spécialisés comme la retouche locale masquée, la suppression d’objets et les ajustements photométriques. Chaque candidat reçoit une fiche de vérification : un gros plan de la zone retouchée, une carte des changements des pixels modifiés, et des statistiques mesurées sur la luminosité, le décalage de couleur, la netteté et le bruit par rapport à la source. Un appel à un modèle de langage compare toute la liste. Après chaque tour, un contrôle d’historique vérifie si une retouche ultérieure n’a pas annulé une précédente, comme lorsqu’une demande de plus de lumière efface un dépoli appliqué deux étapes plus tôt.

Deux modèles ouverts portent les expériences, Qwen-Image-Edit-2511 et FLUX.2-klein-9B. Le benchmark diagnostique compte 600 ensembles de candidats sur 30 types de retouche, 20 ensembles par type, chaque candidat étant étiqueté à l’aveugle par cinq retoucheurs professionnels Photoshop travaillant ensemble.

Ce que contiennent les 600 ensembles étiquetés par des experts Ensembles Part
Seuls des candidats d’éditeur généraliste utilisables 254 42,3 %
Seuls des candidats spécialisés utilisables 175 29,2 %
Les deux types utilisables 90 15,0 %
Aucun candidat utilisable 81 13,5 %

Comme chaque ensemble contient un candidat d’éditeur généraliste, l’éditeur généraliste n’a rien produit d’utilisable dans 256 des 600, soit 42,7 %. Une méthode spécialisée a rattrapé 175 de ces échecs, et des échantillons supplémentaires du même éditeur n’ont guère aidé.

La page arXiv d'EditAgent : Rethinking Agentic Image Editing, publiée par Adobe Research, consultée le 1er novembre 2026
La fiche arXiv de l’article, consultée le 1er novembre 2026. Elle porte la date de soumission du 29 octobre 2026 et la liste des auteurs, d’où provient la date de ce fait.

Ce que l’article affirme

  • 600 ensembles de candidats étiquetés par des experts sur 30 types de retouche, 20 ensembles par type.
  • Un éditeur généraliste seul ne renvoie rien d’utilisable dans 256 de ces ensembles, et un spécialiste en récupère 175.
  • Les modèles de langage prêts à l’emploi battent les modèles de récompense affinés pour choisir la retouche utilisable dès qu’ils voient la fiche de vérification.

Sur quoi repose cette affirmation

Le benchmark est celui de l’article, et sa taille par cellule est la première chose à vérifier. Vingt ensembles par type de retouche, et des photographies issues de COCO val2017 avec chaque image utilisée une seule fois, signifient qu’un pourcentage au niveau d’un groupe repose sur quelques dizaines de décisions. Les instructions ne sont pas non plus collectées auprès des utilisateurs : un modèle de vision, Qwen3.8-27B, examine chaque photographie et rédige une demande pour elle. Les étiquettes viennent d’humains, les prompts non.

Les chiffres de jugement sont la partie la plus solide du travail, et ils portent une circularité que les auteurs nomment. Sur les 515 ensembles comptant au moins un candidat utilisable, Qwen3.8-27B choisit un candidat utilisable 71,6 % du temps lorsqu’il note les candidats un par un, 73,6 % lorsqu’il les compare dans un seul appel listwise, et 81,3 % une fois que chaque candidat porte sa fiche de vérification. L’EditScore-72B affiné atteint 74,8 %. Sept modèles prêts à l’emploi ont été testés, tous améliorés de 6,3 à 9,3 points avec les fiches, et Qwen3.8-Flash-Next atteint 82,8 %. Le point gênant, c’est que Qwen3.8-27B est aussi le juge interne du pipeline, si bien que l’article refait la comparaison avec Gemma-4-31B dans son supplément.

L’étude humaine est petite. Cinq retoucheurs professionnels Photoshop ont comparé 144 échantillons à trois niveaux de complexité et ont préféré les candidats parallèles dans 102 cas, les séquentiels dans 28, avec 14 égalités, soit 78,5 % des comparaisons tranchées, pas de toutes.

Puis le coût.

Configuration sur EdiVal Score au tour 3 Coût d’inférence
Qwen-Image-Edit-2511 seul 47,64 1,1 heure H100
Qwen-Image-Edit-2511 avec EditAgent 55,46 12,9 heures H100
FLUX.2-klein-9B seul 53,20 0,5 heure H100
FLUX.2-klein-9B avec EditAgent 59,45 6,3 heures H100

Les gains tiennent sur le tableau de l’article lui-même. Le prix à payer est de 12,9 heures H100 contre 1,1 pour le même backbone, et l’article précise que les performances sont bornées par les méthodes d’édition branchées dessus.

Un retoucheur ne se contente pas de réessayer : il agit autrement et regarde de plus près.

Ce qui n’est pas publié

Pas de code, pas de poids, pas de démo, pas de latence par édition en secondes, pas de prix en dollars par requête, et pas un mot sur la publication éventuelle des 600 ensembles ou de leurs annotations. Tous les résultats sont mesurés à 512 pixels après sous-échantillonnage, donc rien ici ne parle d’un fichier de 24 mégapixels sorti d’un appareil photo. Aucune page produit Adobe n’est mentionnée dans l’article non plus, ce qui laisse non précisée la distance avec une fonctionnalité Photoshop déjà commercialisée.

Ce que cela change pour quelqu’un qui achète un éditeur d’images

Trois choses, dans l’ordre où elles pèsent sur un essai.

La première est la boucle de nouvelle tentative. Quand un outil répond à une demande en cinq parties en produisant une image et en réessayant avec le même modèle, la seconde tentative est en grande partie perdue. Ce qui manque, c’est un outil, pas une tentative.

La deuxième, ce sont les preuves. Le plus grand saut de l’article vient du fait de montrer au juge un gros plan et des écarts mesurés, pas de l’entraînement d’un meilleur juge. Un outil qui vous demande d’accepter un résultat sur une vignette pleine image vous demande de juger là où les erreurs locales disparaissent.

La troisième, c’est à quoi sert l’agent. Comme EditAgent ne conserve que les éditions acceptées par son juge, les chercheurs l’ont utilisé pour générer environ 25,7 K sessions d’entraînement, d’environ quatre tours chacune, et ont affiné des éditeurs dessus. Qwen-Image-Edit-2511 gagne 1,95 point sur EdiVal au tour 3 et 3,17 sur la moyenne ComplexBench-Edit ; FLUX.2-klein-base-9B gagne 2,00 et 2,14. Un entraînement sur des images générées directement par FLUX.2-klein-9B a dégradé cet éditeur sur les trois benchmarks. L’actif, ce sont les sessions acceptées, pas l’agent.

L’avis de Neural Minute

Notre position sur les chiffres des fournisseurs ne change pas parce que le fournisseur est Adobe : un benchmark construit par l’équipe qui livre la méthode est une affirmation, et nous publions ce que la page dit plus ce qu’elle omet. Elle en omet assez pour garder le titre modeste : vingt ensembles par type d’édition, évaluation à 512 pixels, pas de code. Ce qu’elle n’omet pas, c’est le coût.

Pour un acheteur, la partie utile n’est pas le 175, c’est la forme de la correction. Un agent qui dépense dix fois plus de calcul n’est pas encore ce qu’on met devant un client avec une échéance, et les éditeurs facturés au siège sont conçus pour une édition à la fois. La liste de contrôle : l’outil aiguille-t-il une étape vers une opération étroite quand il en existe une, montre-t-il le recadrage et la modification mesurée, vérifie-t-il que l’étape quatre n’a pas annulé l’étape deux. Notre page offre Claid AI couvre un éditeur de photos produit de l’autre côté de cette question, qui vend des opérations fixes plutôt qu’un agent, à comparer avant de payer un abonnement qui promet de comprendre un paragraphe.

La lecture stratégique, c’est qu’Adobe a publié un moteur de données, pas une fonctionnalité. La découverte selon laquelle des sessions acceptées par l’agent forment un meilleur éditeur 9B que la production de cet éditeur lui-même est la plus intéressante commercialement, parce qu’elle transforme un pipeline lent en moyen de fabriquer de la supervision. Attendez-vous d’abord à un modèle Firefly ou Photoshop plus fort, et bien plus tard à une zone de chat qui édite un fichier en calques. Tant qu’une page d’Adobe ne dira pas le contraire, EditAgent reste un article avec une bonne idée et une facture d’inférence.

Sources

  • EditAgent: Rethinking Agentic Image Editing, Adobe Research et UC San Diego, arXiv:2610.39664, soumis le 29 octobre 2026 : https://arxiv.org/abs/2610.39664
  • Texte intégral pour les tableaux, la comparaison des juges, l’étude humaine et les résultats du moteur de données, consulté le 1er novembre 2026 : https://arxiv.org/html/2610.39664v1
  • Aucun chiffre ici ne provient d’une autre publication.