MTEdit：打包轨迹数据如何颠覆多轮图像编辑训练

多轮图像编辑正成为人机协同创作的重要方向，但训练数据的构建始终是个难题。传统序列化 rollout 方法在每一轮编辑中累积误差，导致视觉质量逐轮漂移。最近提出的 MTEdit 数据集通过一种名为"打包轨迹画布"（Packed Trajectory Canvas, PTC）的创新流程，为这一困境提供了新的解法。

多轮编辑的训练数据困境

多轮图像编辑允许用户通过一系列指令逐步修改图像，比单轮编辑更贴近真实的创作场景。然而，高质量多轮训练数据的获取并不容易。研究指出，常规的序列化 rollout 方式——即让模型在上一轮输出基础上继续编辑——会累积误差，并引入跨轮次的视觉质量漂移。简单来说，错一步，后面步步错，画面越改越糊。

这一问题的根源在于，每一轮编辑都建立在带有瑕疵的前序状态之上，误差像滚雪球一样放大。对于需要保持内容一致性的编辑任务，这种漂移尤为致命。

误差累积（Error Accumulation） 是序列式生成中的经典问题：当每一轮输出都作为下一轮输入时，前序步骤的微小偏差会被后续步骤反复放大。在图像编辑中，这种偏差不仅体现在像素级的模糊或伪影，更会破坏语义一致性——例如某轮把物体颜色改错，后续轮次可能在此基础上继续修改，导致最终结果与原始意图偏离。多轮编辑的误差累积比文本生成更难纠正，因为图像是连续高维信号，没有离散 token 的“重新采样”机制来打断错误传播，因此从数据生成流程层面规避累积，比在推理阶段补救更有效。

PTC：在统一视觉上下文中生成多轮状态

MTEdit 的核心创新是打包轨迹画布（PTC）生成流程。与逐轮 rollout 不同，PTC 在一个统一的视觉上下文中同时生成多个编辑状态，从而减少跨轮次的视觉质量漂移。

可以这样理解：rollout 像是接力赛，每一棒都可能掉链子；而 PTC 更像是在一张画布上同时铺开多个编辑结果，共享同一视觉基准。这种联合生成策略从源头上抑制了误差累积，让每一轮的编辑状态都能保持较高的视觉质量。

基于该流程构建的 MTEdit 数据集覆盖了逐步编辑和上下文感知编辑两类场景，包含 50 万条多轮图像编辑轨迹，最多支持 8 轮，平均每条轨迹 5.38 轮。据原文数据，这是目前规模最大的多轮图像编辑数据集之一。

联合生成（Joint Generation） 与自回归式逐轮 rollout 的关键区别在于条件依赖结构。rollout 中第 t 轮状态依赖第 t-1 轮的实际输出，形成链式依赖；而联合生成让多个编辑状态共同条件于同一个初始视觉上下文（如原始图像或统一画布），各轮状态之间不传递误差。这类似于在扩散模型中同时去噪多个相关样本，共享同一噪声基准。PTC 的“画布”本质上是一个空间或潜空间容器，把多轮编辑结果打包在一起，使模型在训练时就能观察到轮次间的全局一致性约束，从而学会在保持内容稳定的前提下执行逐步修改。

MTEdit-Bench：四维度评估多轮编辑能力

光有数据还不够，评估标准同样关键。研究团队同步推出了 MTEdit-Bench，从四个维度考察模型的多轮编辑能力：遵循编辑指令、保持内容一致性、抵抗视觉质量漂移、有效利用跨轮历史上下文。

这四个维度基本覆盖了多轮编辑的核心挑战。尤其是"抵抗视觉质量漂移"和"利用历史上下文"两项，直指传统方法的软肋。一个优秀的多轮编辑模型不仅要听懂每一步指令，还要记住之前改了什么、避免越改越糟。

内容一致性（Content Consistency） 在多轮编辑评估中通常指非编辑区域或指定保留对象的视觉与语义稳定性。与单轮编辑不同，多轮场景下一致性需要跨全部历史轮次衡量：模型应记住哪些区域被要求保留、哪些已被修改，并在后续轮次中不误改。常见量化方式包括计算编辑掩码外区域的感知相似度（如 LPIPS、SSIM），以及用视觉语言模型判断对象身份、布局是否偏移。该维度与“抵抗视觉质量漂移”互补——前者关注改得对不对，后者关注画质是否退化。

微调验证：Qwen-Image-MTEdit 登顶开源模型

为了验证数据集的有效性，研究团队使用 MTEdit 对 Qwen-Image-Edit-Causal 进行微调，得到 Qwen-Image-MTEdit。在 MTEdit-Bench 上，他们对包括闭源和开源在内的广泛图像编辑模型进行了评测。

实验结果显示，Qwen-Image-MTEdit 在所有被评估的开源模型中表现最佳，证明了 MTEdit 在提升模型多轮图像编辑能力方面的有效性。这一结果也间接说明，训练数据的构建方式——而非仅仅模型架构——对多轮编辑性能有着显著影响。

Qwen-Image-Edit-Causal 是通义千问^广告图像编辑模型家族中面向因果/自回归式多轮编辑的变体。选择在因果式基座上进行微调，而非双向扩散模型，是因为多轮编辑天然具有序列依赖，因果结构更贴近“基于历史上下文生成下一轮”的推理形式。微调时，MTEdit 的轨迹数据以打包画布形式提供监督信号，使模型学习在给定多轮历史时联合预测后续状态。该基座的选择也说明，数据流程的改进可以与现有自回归编辑架构直接衔接，无需重新设计模型。

对多轮图像编辑领域的启示

MTEdit 的思路揭示了一个重要趋势：当模型架构逐渐趋同时，数据工程的质量往往成为性能分水岭。PTC 流程的价值不仅在于扩大了数据规模，更在于它提供了一种抑制误差累积的系统性方法。

对于关注 AI 图像编辑的开发者和研究者而言，MTEdit 的数据构建范式值得借鉴——与其在 rollout 中反复纠错，不如从数据生成的源头重新设计流程。当然，该方法在更复杂编辑场景下的泛化能力，以及 50 万条轨迹的实际训练成本，仍有待进一步观察。