论文页面 - SolveEdit：生成模型视觉问题解决能力基准测试

来源：https://huggingface.co/papers/2609.35504 作者： , , , , , , , , , , ,

摘要

机器智能常通过抽象推理问题进行评估，但许多现实问题是视觉化的，如物体摆放、布局修复或路径规划。解决这类问题需要理解场景、推断为实现目标必须进行的改变，并在不干扰无关内容的情况下实现这些改变。然而现有基准测试主要评估感知、生成或明确指定的转换，对目标驱动的视觉问题解决关注不足。为弥合这一差距，我们推出SolveEdit——一个基于场景转换的视觉问题解决基准测试。给定图像与目标，模型需从请求、场景或视觉化规则中推断有效转换，在保留无关内容的同时执行该操作。SolveEdit包含2,728个案例，通过原子转换合约指定必要条件和保护条件，使SolveScore能无需单一参考输出即可衡量任务完成度与意外改变。当前最强模型仅达57.0% SolveScore。我们进一步提出SolveEdit-PLAN，一种在生成前实例化转换的两阶段视觉规划器。在匹配的单次生成评估中，该方法在三个测试生成器上平均提升SolveScore 9.1个百分点，其中GPT-Image-2从57.0%提升至71.6%，且无需修改编辑器本身。

查看arXiv页面（https://arxiv.org/abs/2609.35504）查看PDF（https://arxiv.org/pdf/2609.35504）项目页面（https://wenjieshu.github.io/SolveEdit-project-page/）GitHub3（https://github.com/WenjieShu/SolveEdit）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.35504）

通过智能体获取本论文： hf papers read 2609.35504

尚未安装最新CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型0

无模型链接本论文

在模型README.md中引用arxiv.org/abs/2609.35504以从本页面关联模型。

引用本论文的数据集0

无数据集链接本论文

在数据集README.md中引用arxiv.org/abs/2609.35504以从本页面关联数据集。

引用本论文的Space 0

无Space链接本论文

在Space README.md中引用arxiv.org/abs/2609.35504以从本页面关联Space。

包含本论文的收藏0

无收藏包含本论文

将本论文添加到收藏（https://huggingface.co/new-collection）以从本页面建立关联。