CanvasAgent：通过视觉工具编排实现复杂图像创建与编辑

复杂图像创作常需合成、分割、编辑及组合等多步操作，要求多模态 Agent 从感知推理转向以操纵为核心的视觉创造。针对现有代理缺乏可执行图像创作轨迹监督的问题，本文提出了包含 14 万条标注轨迹的大规模数据集 CanvasCraft，以及能通过学习编排异构视觉工具的多轮交互代理 CanvasAgent。该代理先经监督微调学习推理 - 行动轨迹，再利用结合结果与过程信号的混合奖励通过 GRPO 优化。实验表明其在多工具图像创建工作流中表现卓越。