MSRAMIE：用于多指令图像编辑的多模态结构化推理智能体

现有基于指令的图像编辑模型在处理简单单步指令时表现良好，但在涉及多重、冗长且相互依赖指令的真实场景中性能下降。主要原因是缺乏带有复杂多指令标注的训练数据，而收集此类数据并重新训练模型成本高昂。为此，本文提出 MSRAMIE，一种基于多模态大语言模型（MLLM）的免训练智能体框架。该框架将现有编辑模型作为插件组件，通过结构化多模态推理处理多指令任务。它协调基于 MLLM 的“指导者”与图像编辑“执行者”之间的迭代交互，引入包含“状态树”和“参考图”的新型推理拓扑。在推理过程中，复杂指令被分解为多个编辑步骤，实现状态转换、跨步信息聚合及原始输入回溯，从而系统性地探索图像编辑空间并灵活地逐步优化输出。实验表明，随着指令复杂度增加，MSRAMIE 将指令遵循度提升了 15% 以上，单次运行完成所有修改的概率提高了 100% 以上，同时保持了感知质量和视觉一致性。