Apple、マルチターン画像編集モデル MT-EditFlow を発表──FLUX.1-dev 比で精度 6.85 ポイント向上
逐次的な編集指示における誤差伝播と失敗を回避するため、フローマッチングと強化学習を統合し、複数ターンを通じた報酬最適化を実現した。
リリース: 2025-10-27 · 読了 5 分記事の要約
1. 核心（What）
- フローマッチングと強化学習（RL）を組み合わせ、複数ターンの編集指示に最適化した MT-EditFlow を提案。
- ターン単位の報酬集約と VLM 推論モードの調整により、報酬バイアスと分散のトレードオフを制御。
- FLUX.1-Kontext-dev をベースに、3 ターン目の編集性能で 6.85 ポイントの向上を確認。
2. 影響（Why）
- マルチターン編集の安定化: 単一ターン編集に最適化されたモデルは、連続する修正指示で誤差が累積するが、本手法は軌跡全体に報酬をブロードキャストすることで、全体的なタスク成功率を安定させる。
- 国内 SaaS への適用可能性: 国内の画像生成 SaaS を開発する中規模事業者は、ユーザーの試行錯誤を前提としたワークフローにおいて、本手法を fine-tune に用いることで、競合サービスに対する編集品質の優位性を確保できる。
3. 根拠・詳細（How）
- 報酬集約と最適化手法: GRPO および NFT ベースの強化学習に対し、ターン単位の報酬集約と VLM を用いた推論モードの調整を統合。報酬ハッキングを防止し、局所的な計画とグローバルなタスク成功の乖離を解消した。
4. 展望・課題（Next）
- モデルの汎用性検証: FLUX.1-Kontext-dev 以外のベースモデルにおけるスケーラビリティと、異なるドメインの画像編集タスクへの適用性が今後の課題。