Apple explora cómo hacer que la IA no pierda el hilo al editar imágenes

El 1 de junio de 2026, un trabajo con participación de Apple propuso entrenar modelos de edición de imágenes para una cadena de decisiones, no solo para una orden aislada. Editar una imagen con lenguaje natural rara vez termina en una sola instrucción: una persona puede pedir que se retire un objeto, añadir texto después y, por último, cambiar el material de una zona concreta. El manuscrito lo firman investigadores de Apple junto a colegas de la Universidad de California en Los Ángeles, la Universidad de Texas en Austin y Lambda, con Jiahui Huang y Yasi Zhang como primeros autores a partes iguales.

El método, llamado MT-EditFlow, aplica aprendizaje por refuerzo a modelos de edición basados en flow matching — la familia de modelos generativos que fabrica la imagen transformando ruido en píxeles mediante un flujo continuo aprendido, y la base de la serie FLUX que el estudio usa como banco de pruebas. Su objetivo no es solo que la imagen responda a la última instrucción, sino que conserve el contenido que no se pidió cambiar a lo largo de varios turnos. Es una diferencia importante: un editor puede acertar al colorear una pared y, al hacerlo, alterar una persona, un objeto o el estilo que el usuario quería mantener.

El problema de editar sobre el propio resultado

Muchos editores se entrenan sobre pares de imagen e instrucción: reciben una imagen original, aplican un cambio y se evalúan una vez. En una conversación real, el segundo cambio se hace sobre la salida del primero. El artículo llama a esto una exigencia de «todo o nada»: una sola desviación puede estropear la secuencia completa. También aparece el sesgo de exposición, porque el modelo debe trabajar con sus propias salidas imperfectas en vez de con los ejemplos ideales vistos durante el entrenamiento.

La magnitud del problema está en la propia tabla del estudio. Sin entrenar para la secuencia, FLUX.1-Kontext-dev obedece la instrucción el 59,97% de las veces en el primer turno, el 32,69% en el segundo y solo el 16,61% en el tercero. Eso es, literalmente, perder el hilo: cada edición sobre el resultado anterior multiplica las formas de fallar. La consistencia del contenido no editado aguanta mejor —del 95,32% al 90,22% entre el primer y el tercer turno—, pero la capacidad de seguir órdenes se desploma.

MT-EditFlow cambia la señal de entrenamiento para observar la trayectoria completa. Usa dos recompensas: seguimiento de instrucciones, evaluado por un modelo de visión y lenguaje abierto (Qwen3-VL-8B) que compara referencia, ediciones e instrucciones; y consistencia de contenido, medida con EdiVal-CC como distancia semántica en las regiones que no debían cambiar. Ambas señales se convierten en ventajas relativas al grupo, se fusionan con pesos —los autores fijan el del seguimiento en 1 y encuentran el mejor equilibrio con 0,3 para la consistencia— y la ventaja resultante de toda la trayectoria se difunde por igual a los tres turnos de la cadena, de modo que las decisiones locales respondan al éxito global.

Los investigadores también compararon formas de puntuar. Una evaluación binaria estricta, que solo da éxito si todos los turnos salen bien, se parece a la experiencia del usuario, pero produce una escasez extrema de señal: casi ningún ejemplo la supera y el gradiente se queda en nada o en ruido. La media binaria por turnos mejora algo. La que gana es una puntuación granular por turno, en escala de 1 a 5, promediada: da crédito parcial y mantiene una señal densa incluso cuando la mayoría de los turnos fallan, sin premiar que el modelo resuelva una orden sacrificando el resto de la imagen. También prueban dos modos del juez: pedirle que razone paso a paso antes de puntuar reduce su sesgo pero aumenta la varianza de la señal; aun así, el modo pensante acaba mejorando el resultado final.

Resultados en tres turnos

El trabajo evalúa el método en EdiVal-Bench, un conjunto de edición secuencial. Para entrenar construye sus cadenas con EdiVal-Agent —el pipeline del benchmark, que genera secuencias de instrucciones centradas en objetos y coherentes con el contexto— y GPT-4o: unas 2.319 imágenes de referencia procedentes de OpenImages, vía el conjunto Pico-Banana-400K, que generan 6.957 pasos de turno para el ajuste por refuerzo, siempre en secuencias de tres turnos y repartidos en nueve categorías de edición y doce de objetos.

En la tabla principal, FLUX.1-Kontext-dev pasa de 38,71 a 45,56 en la puntuación global del tercer turno con la variante MT-EditFlow-NFT: una diferencia de 6,85 puntos, que en el primer turno es de solo 1,59 y en el segundo de 5,13 — la ganancia crece justo donde el problema se agrava. La puntuación global combina ambas métricas —obediencia y consistencia— en cada turno, y la consistencia también sube, aunque poco: del 90,22% al 90,62% en el tercer turno. El método no compra obediencia a costa de fidelidad. Los autores sitúan ese resultado por encima de Qwen-Image-Edit, que alcanza 41,93 en la misma columna, y reportan además una mejora de 2,90 puntos al aplicar el método a un segundo modelo, FLUX.2-klein-base-9B. El manuscrito prueba dos variantes de refuerzo: una extiende Flow-GRPO a trayectorias multiturno y la otra, la NFT de los mejores resultados, parte de DiffusionNFT, que contrasta muestras positivas y negativas sin estimar verosimilitudes explícitas — y entrena en menos tiempo: 21,4 horas frente a 34,3 en GPUs B200 para unos 700 pasos efectivos, según las cifras orientativas del propio artículo.

Es un resultado de benchmark, no una promesa de que cualquier imagen se editará de manera fiable. La evaluación de seguimiento de instrucciones usa Qwen3-VL-8B como modelo visual de recompensa, mientras que la consistencia de contenido se mide con EdiVal-CC. Los propios autores señalan que los modelos de visión y lenguaje pueden fallar en razonamiento espacial, al detectar detalles pequeños o al juzgar artefactos y estética, y que sus alucinaciones meten ruido en la señal de refuerzo incluso pidiéndoles que razonen paso a paso. Añaden dos límites más: usar evaluadores grandes encarece y ralentiza el entrenamiento, y toda la evaluación se hace en secuencias de tres turnos — qué pasa en conversaciones más largas queda sin explorar.

Qué cuenta como una buena edición

Una decisión reveladora del trabajo es dejar fuera de la recompensa la calidad visual pura. Los autores sostienen que una imagen estéticamente pulida puede seguir siendo mala edición si cambia la identidad, el estilo o los elementos que debían permanecer. Por eso priorizan obedecer la instrucción y conservar lo no editado. La asimetría de la tabla es en sí misma un dato: lo que se degrada con los turnos no es tanto la fidelidad de lo que no se toca como la capacidad de ejecutar lo que sí se pide. Es una elección razonable para estudiar edición interactiva, pero no cubre todo lo que un usuario puede valorar en una imagen final.

El avance más interesante no está en un efecto visual concreto, sino en tratar la conversación de edición como una secuencia. Los sistemas de imagen se usan cada vez más como colaboradores iterativos: prueban, reciben correcciones y vuelven a probar. Para que esa interacción sea útil, no basta con ejecutar órdenes aisladas; el modelo debe conservar el hilo de lo que ya cambió y de lo que se decidió no tocar. MT-EditFlow ofrece una forma experimental de entrenar esa memoria visual de corto alcance — y sus tablas dejan al lector una vara de medir que sobrevivirá a este paper: ante cualquier editor de imágenes por instrucciones, pregunte cómo rinde en el tercer turno, no en el primero.