1000万数据+统一验证框架！浙大腾讯打破图像编辑「规模-质量」魔咒，开源模型直逼闭源SOTA｜CVPR 2026

导语：浙大腾讯联合发布UnicEdit-10M千万级图像编辑数据集及UnicBench评测基准，用统一验证框架让开源模型编辑质量直追闭源SOTA。

如果你用过ChatGPT的图像编辑功能，那种指哪打哪的体验可能让你印象深刻。但当你转向一些开源工具时，却经常遭遇编辑不到位、对象混乱甚至画面崩坏。这不是错觉——顶尖闭源模型（如GPT-Image-1）与开源模型之间的差距正在被越拉越大，根源在于开源阵营缺少两样东西：足够多且足够好的训练数据，以及一套能全面诊断模型能力的评估系统。

更麻烦的是，当前的数据生产流程就像一场“传话游戏”：一个编辑任务需要经过目标识别、分割、生成、融合等多个环节，第一步稍有偏差，后续步骤就会不断放大错误。而质量检查也往往只是走过场——要么只看图像有没有成功生成，根本不关心指令是否被正确执行；要么花大力气调整文本描述，却对图像本身的质量视而不见。此外，现有评测基准只考察“换颜色”“加物体”这类基础题，很少涉及“从空中俯瞰建筑”的空间理解题，或“将咖啡壶变为沸腾状态”这种需要常识推理的题目，评分指标也存在背景变化难以感知、风格变化被误扣分等缺陷。

针对这些痛点，浙江大学与腾讯的研究团队联合推出了两项重磅工作：包含千万级样本的高质量图像编辑数据集UnicEdit-10M，以及覆盖22类难度递进任务的综合评测基准UnicBench。他们还专门训练了一个7B参数的“严苛判官”Qwen-Verify，对所有生成数据进行后校验和指令重写，从源头保证训练数据的质量。相关论文已被CVPR 2026接收，代码、数据集与基准均已开源。

一、UnicEdit-10M：千万级数据的自动化锤炼

UnicEdit-10M的构建采用了一套高效的三阶段自动化流水线，全程无需人工标注，却能产出媲美人工精挑的数据质量。

1. 指令生成阶段：让大模型出题

团队使用Qwen2.5-VL-72B模型，基于预定义的编辑分类体系，为每张图像生成3~7个不同且符合图像内容的编辑指令。这些指令不仅覆盖“把车变成红色”这样的基础属性修改，还包括“将建筑旋转为俯视视角”的空间变换，以及“让煮咖啡的壶呈现沸腾状态”的推理编辑，确保任务分布均衡。

2. 图像编辑阶段：双引擎并行执行

针对每一对<原始图像，指令>，系统同时调用FLUX.1-Kontext和Qwen-Image-Edit两款领先的开源编辑模型来生成编辑后的图像，形成初始三元组。源图像会先进行中心裁剪和缩放预处理，丢弃需要裁剪超过20%的图像以避免内容丢失，最终保留的图像中50%为1024×1024的高分辨率。

3. 后校验阶段：统一验证与指令精炼

所有合成三元组都要经过统一的后校验环节，不仅过滤失败的样本，还会优化对应的指令，使其与视觉编辑结果严格对齐。这一阶段的核心就是Qwen-Verify——一个基于Qwen2.5-VL-7B专门微调的双任务专家模型。

二、Qwen-Verify：细粒度质量守门人

传统的质量检查依赖SSIM等像素级指标，无法理解语义变化，常常将微小的生成噪声误判为编辑，或者对真正的幻觉编辑视而不见。Qwen-Verify则通过两个关键任务实现语义级质量把控：

编辑失败检测：能细粒度识别出“未编辑”“幻觉编辑”（即生成的物体不存在）等失败情况，即便图像整体观感相似，也能准确捕捉到指令与结果的不一致。
指令重写：当编辑结果与原始指令存在语义偏差时，自动重写指令，使其与实际的视觉变换精确匹配，避免训练模型学到错误的对齐关系。

对比实验显示，Qwen-Verify在正常编辑、无编辑、幻觉检测三项准确率上均显著优于Qwen2.5-VL-7B和72B基座模型。以人脸一致性为例，UnicEdit-10M的一致性得分达到0.89，而GPT-Image-Edit-1.5M仅为0.3025，展现出在保留主体细节上的巨大优势。

三、UnicBench：22类任务的全面体检

为了全面衡量模型的编辑能力，研究团队构建了UnicBench综合基准，覆盖基础编辑、几何空间变化以及基于推理知识的编辑共22类任务。基准的构建采用“VLM生成+人工审核”模式：Qwen2.5-VL先生成候选指令，人类专家再逐条审核，移除模糊或语义不一致的提示，并重写以匹配特定类别，每类包含50个测试用例。

UnicBench引入了四项细粒度指标：

指令遵循度（IF）：跨模态对齐分数，衡量编辑图像满足指令的程度。
非编辑一致性（NC）：评估非目标区域的保留情况，对意外改动进行惩罚。
视觉质量（VQ）：综合考量自然度、连贯性与风格一致性。
推理准确性（RA）：针对推理任务，VLM基于人工核验的推理要点列表进行对比打分，衡量模型是否真正执行了逻辑推理。

四、开源模型逆袭：性能直逼闭源SOTA

团队使用UnicBench对主流模型进行了全面评测，结果令人振奋：

闭源模型仍占优：GPT-Image-1在英文和中文任务上均取得最高综合得分，展现出最强的通用编辑能力。
开源模型迅速追赶：Qwen-Image-Edit位居开源榜首，尤其在属性编辑和对象编辑上与闭源模型的差距显著缩小，证明了大规模高质量数据与精细验证的有效性。
推理编辑仍是短板：所有模型在推理准确性（RA）指标上均出现明显下滑，表明需要复杂逻辑或世界知识的编辑任务仍是行业普遍难题，也为未来研究指明了方向。

这项研究不仅为图像编辑领域提供了堪比“教材+考试”的标准化资源，更揭示了数据质量与评测全面性对于大模型能力的决定性影响。随着UnicEdit-10M和UnicBench的开源，开源社区的图像编辑能力有望迎来新一轮飞跃。