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 método, llamado MT-EditFlow, aplica aprendizaje por refuerzo a modelos de edición basados en flow matching. 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.

MT-EditFlow cambia la señal de entrenamiento para observar la trayectoria completa. Usa dos recompensas: seguimiento de instrucciones, es decir, si se hizo el cambio pedido en cada turno; y consistencia de contenido, es decir, si las regiones que no eran objeto de la edición permanecieron fieles a la imagen de referencia. El sistema agrega esas señales y distribuye la ventaja resultante a todos los pasos de la cadena, de modo que las decisiones locales respondan al éxito global.

Los investigadores también compararon formas de puntuar. Una evaluación estricta que solo da éxito si todos los turnos salen bien se parece a la experiencia del usuario, pero deja muy pocas señales positivas para entrenar. Como alternativa, usan puntuaciones más graduales por turno. El objetivo es que el modelo pueda aprender de una secuencia parcialmente correcta sin premiar que resuelva una orden sacrificando el resto de la imagen.

Resultados en tres turnos

El trabajo evalúa el método en EdiVal-Bench, un conjunto de edición secuencial, y usa 2.500 cadenas de instrucciones para entrenar. 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. Los autores sitúan ese resultado por encima de Qwen-Image-Edit, que alcanza 41,93 en la misma columna.

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.

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. 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.