huggingface.coは2026年11月5日(現地時間)、論文「TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing」を公開した。この論文は、多段画像編集で発生する累積的なドリフト（ずれ）を大幅に削減しつつ、基盤モデルが持つ本来の生成および編集能力を維持する新手法「TailSteer（テールステア）」を導入している。
TailSteer（テールステア）は、SFT、RL、またはOPDといった既存の学習段階の後、最終的な調整段階を設けることで、継続的な多段編集を可能にする。この手法は、モデルのアーキテクチャや推論パイプラインを変更することなく、長期間にわたるドリフトの発生を大幅に抑制する一方、ベースモデルが持つ元の生成および編集能力を保つとしている。
論文著者のRuikang氏は、TailSteerを適用することで、Qwen-Image-2.1やFLUX.2 Kleinなどのモデルが20回以上の編集ターンにおいても、ドリフトを大幅に抑えつつ元の編集能力を維持できると説明している。コード、モデルウェイト、およびデータセットはプロジェクトページで利用可能である。
参考: huggingface.co — 2026年11月6日 06:53 (JST)
原文ハイライト"substantially reduces long-horizon drift while preserving the base model's original generative"
この記事をシェア