SGE-Goal
一种空间接地的分解式目标图像编辑框架，先预测初始和最终2D编辑区域掩码，再基于掩码生成目标图像，用于提升机器人操作策略的控制成功率
时间轴 (近 90 天)
最好的闭源编辑器在最长五步链上的成功率大约只有 SGE-Goal 微调模型的七分之一。
SGE-Goal 是一个空间接地的分解式编辑框架，将目标图像合成拆分为两步：先预测初始和最终的 2D 编辑区域掩码，再基于掩码生成目标图像。
基于 FLUX.1 Kontext 和 FLUX.2 klein 微调的 SGE-Goal 在 CALVIN 上排名第一。
基于 FLUX.1 Kontext 和 FLUX.2 klein 微调的 SGE-Goal 在 SIMPLER-Bridge 上仅次于 Gemini 3 Pro Image。
论文释放了代码、数据集、检查点和一个人工对齐的诊断评估器。
分解式掩码方法将“改哪里”和“改成什么”解耦，掩码预测负责空间接地，生成模型负责外观合成，能降低无关区域的幻觉或篡改风险。
SGE-Goal 的局限在于依赖基座模型的编辑能力，且分解式框架引入额外的掩码预测误差来源。
全部知识事实 (7)
基于 FLUX.1 Kontext 和 FLUX.2 klein 微调的 SGE-Goal 在 SIMPLER-Bridge 上仅次于 Gemini 3 Pro Image。
50%待验证SGE-Goal 是一个空间接地的分解式编辑框架，将目标图像合成拆分为两步：先预测初始和最终的 2D 编辑区域掩码，再基于掩码生成目标图像。
50%待验证基于 FLUX.1 Kontext 和 FLUX.2 klein 微调的 SGE-Goal 在 CALVIN 上排名第一。
50%待验证最好的闭源编辑器在最长五步链上的成功率大约只有 SGE-Goal 微调模型的七分之一。
50%待验证SGE-Goal 的局限在于依赖基座模型的编辑能力，且分解式框架引入额外的掩码预测误差来源。
50%待验证分解式掩码方法将“改哪里”和“改成什么”解耦，掩码预测负责空间接地，生成模型负责外观合成，能降低无关区域的幻觉或篡改风险。
50%待验证论文释放了代码、数据集、检查点和一个人工对齐的诊断评估器。
50%