アップルMLリサーチ（Apple ML Research）は7月7日(現地時間)、複数ターンの画像編集に対応する新たな強化学習フレームワーク「エムティーエディットフロー（MT-EditFlow）」を発表した。単一ターン編集モデルに特有の「all-or-nothing requirement」や「error propagation」といった多段編集の課題を克服するために設計されており、フローマッチング強化学習の導入により、多様なベースモデルの性能向上に貢献する。
エムティーエディットフロー（MT-EditFlow）は、単一ターン編集モデルが多段画像編集で直面するall-or-nothing requirementやerror propagationといった課題に対処するために開発された。これらの問題は、単一の失敗がシーケンス全体を損ない、露出バイアスが編集エラーを増幅させることに起因する。
このフレームワークは、シーケンシャルな画像編集における報酬信号を最適化するため、フローマッチング強化学習を統合している。MT-EditFlowは、マルチターン視点とマルチ報酬定式化を組み合わせ、ジーアールピーオー（GRPO）およびエヌエフティー（NFT）ベースの強化学習メソッドの両方に適用可能な統一構造を提供する。研究では、ターンレベル集約の効果的なスコアリング戦略、報酬バイアスと分散をトレードオフするためのブイエルエム（VLM）推論モード、および報酬ハッキングを防ぐためのアドバンテージ融合レベルを調査することで、報酬信号を体系的に分析し最適化した。
この研究で得られた知見は、集約されたアドバンテージを編集軌道全体にブロードキャストすることが、ローカルな計画とグローバルなマルチターンタスクの成功との間のギャップを効果的に埋めることを示している。広範な実験により、MT-EditFlowが多様なベースモデル全体で性能を大幅に向上させることが実証された。特に、フラックス1コンテキストデブ（FLUX.1-Kontext-dev）では、ターン3の全体性能において6.85ポイントの改善を達成し、クウェンイメージエディット（Qwen-Image-Edit）などの最新のオープンソースモデルを上回った。
MT-EditFlowは高い限界成功率を維持し、露出バイアスを削減することで、視覚コンテンツ作成における人間とAIのより信頼性の高い、自然なコラボレーションの基盤を提供すると見られる。この技術は、既存の画像生成AIが持つ編集機能の精度と安定性を向上させ、複雑な複数ステップの編集作業を必要とするクリエイターのワークフローに革新をもたらす可能性がある。単一の指示では実現困難だった高度な画像修正が容易になることで、クリエイティブ産業におけるAIツールの実用性が一段と高まり、関連サービスの競争環境に影響を与える潜在力を秘めている。
参考: Apple ML Research (アーカイブ) — 2026年7月7日 09:00 (JST)
原文ハイライト"MT-EditFlow: Reinforcement Learning for Multi-Turn Image Editing with Flow Matching"