图像对话不该只会等指令：让 AI 主动推荐下一步编辑

导语

图像生成产品正在从“一句话出图”走向连续创作：用户先生成一张图，再让系统改风格、换背景、加元素、调构图。问题在于，很多对话式助手仍沿用文本推荐思路，只根据历史话语猜测“下一步可以做什么”。但在图像编辑场景里，真正有用的建议必须看见当前图片：一张没有人物的风景图，不应推荐“给模特换衣服”；一张已经是夜景的图，也不该机械提示“改成夜晚”。

这篇论文研究的正是图像创作对话中的 follow-up edit suggestion，即系统主动给用户推荐下一步编辑方向。作者分析了 Qwen App 中 10 万条真实多轮图像创作样本，发现 80.1% 的后续交互都与图像内容相关。这说明，下一步建议不是普通文本补全，而是一个典型的多模态推荐问题。

核心要点

• 从真实意图出发构建训练目标：第一阶段，研究团队基于真实在线数据整理适合的后续编辑意图，并经过人工审核，形成用于监督微调的目标。这样做的重点不是让模型随便生成“看起来合理”的提示，而是让建议覆盖用户在真实产品中常见、可执行的编辑需求。
• 用点击反馈对齐用户选择：第二阶段，系统利用用户对推荐项的点击反馈进行多目标强化学习优化。相比只追求语言流畅或规则正确，这一步更关注真实用户会不会选择这些建议，以及建议是否能推动对话继续。
• 加入视觉校验器降低不一致：第三阶段引入 visual verifier，作为额外训练监督，用来惩罚与当前图像不匹配的建议。这一设计直指图像编辑推荐中的痛点：建议文字本身可能通顺，但如果和画面冲突，就会破坏用户信任。

意义与影响

论文最有说服力的部分来自大规模在线 A/B 测试。面对数百万用户，最终框架将视觉不一致率从 3.7% 降低到 0.9%；同时，推荐点击率提升 32.70%，图片带走率提升 16.32%，平均对话轮次提升 39.90%。这些指标表明，好的下一步建议不只是“锦上添花”的交互组件，而可能直接影响创作留存、结果满意度和产品使用深度。

更广义地看，这项工作把图像生成助手从被动工具推向主动协作者。未来的多模态系统不仅要生成图片，还要理解当前画面、推断用户偏好，并提出既多样又可落地的修改方向。对创意软件、AI 绘图应用和智能设计平台来说，视觉对齐的编辑推荐可能会成为提升体验的基础能力。

来源：Hugging Face Daily Papers