--- canonical_url: "https://techinfo.com.ar/contenido/1519/adobe-desarrolla-editagent-un-sistema-de-ia-para-mejorar-la-edicion-de-imagenes" title: "Adobe desarrolla EditAgent, un sistema de IA para mejorar la edición de imágenes" article_type: "Article" description: "Adobe Research, en colaboración con la Universidad de California en San Diego, ha creado EditAgent, un sistema de inteligencia artificial que optimiza las tareas de edición de imágenes dividiéndolas en sub-pasos y combinando un editor de propósito general con herramientas especializadas." main_image: "https://techinfo.com.ar/download/multimedia.grande.b5475075417df48f.Z3JhbmRlLndlYnA%3D.webp" date_published: "2026-11-01T14:51:00-03:00" date_modified: "2026-11-01T14:52:08-03:00" author_name: "Techinfo" author_url: "https://techinfo.com.ar/usuario/2/techinfo" category_name: "Inteligencia Artificial" category_url: "https://techinfo.com.ar/categoria/6/inteligencia-artificial" category_description: "Modelos, empresas de IA, regulación, herramientas" --- # Adobe desarrolla EditAgent, un sistema de IA para mejorar la edición de imágenes ![](https://the-decoder.com/wp-content/uploads/2026/11/adobe_logo-2.png) EditAgent es un sistema innovador que busca transformar la forma en que se realizan las ediciones de imágenes, acercándose más al trabajo de un profesional en Photoshop. Según un nuevo estudio, este sistema selecciona la herramienta adecuada para cada tarea y compara los resultados con la imagen original utilizando datos cuantificables. A diferencia de los agentes de IA anteriores, que se limitaban a realizar tareas de edición complejas y a reintentar pasos fallidos con las mismas herramientas, EditAgent utiliza un modelo de lenguaje estándar que evalúa las variantes de imagen generadas en paralelo, logrando así resultados más precisos. En una prueba que involucró 600 ediciones de imágenes, evaluadas de forma ciega por cinco profesionales, se encontró que el editor de propósito general Flux-2-Klein-9B no logró producir un resultado utilizable el 42.7 por ciento de las veces. Las herramientas especializadas lograron resolver aproximadamente dos tercios de esos fallos, especialmente en tareas de agudización, rotación y zoom. Los intentos adicionales con el mismo editor apenas ayudaron a mejorar los resultados. Los investigadores también exploraron si un agente de IA obtiene mejores resultados al refinar las ediciones paso a paso o al generar múltiples variantes en paralelo. Se observó que el refinamiento iterativo acumulaba pequeños errores, ya que cada ronda se basaba en una imagen ya alterada. Los profesionales prefirieron las variantes paralelas generadas a partir de la imagen original en el 78.5 por ciento de las comparaciones en las que tomaron una decisión. Además, el agente necesitó solo la mitad de las pasadas de evaluación. EditAgent planifica una solicitud en pasos y, para cada uno de ellos, enfrenta al editor de propósito general contra herramientas especializadas correspondientes. Un modelo de lenguaje estándar luego compara todas las variantes en una única pasada, lo que permite una evaluación más eficiente y precisa. Aunque EditAgent produce resultados más exactos que los agentes de IA anteriores, requiere aproximadamente diez veces más capacidad de procesamiento. Sin embargo, la salida verificada puede ser utilizada para entrenar modelos de edición más rápidos en el futuro. Para cada variante, el modelo obtiene un registro de verificación que incluye un primer plano del área editada, un mapa de cambios de las regiones alteradas y estadísticas medidas sobre brillo y color. En un ejemplo, se esperaba que una foto fuera suavemente iluminada, pero los números mostraron que el editor de propósito general la sobreexpuesto y desplazó los colores hacia tonos más cálidos. En contraste, la herramienta especializada se mantuvo dentro de las especificaciones. Los investigadores probaron esto en su estándar de 600 ediciones. El modelo juez debía seleccionar el mejor resultado entre varios candidatos, y se contabilizó cuántas veces eligió una imagen que los profesionales también consideraron utilizable. Para comparar, ejecutaron modelos como EditScore, que fueron ajustados en función de las calificaciones humanas de las ediciones de imágenes. Sin el registro de verificación, ninguno de los siete modelos de lenguaje evaluados pudo igualar al mejor modelo ajustado. Sin embargo, con este registro, los siete superaron a todos los modelos ajustados. Qwen3.8-27B hizo una selección utilizable el 81.3 por ciento de las veces, en comparación con el 74.8 por ciento de EditScore-72B. Para los investigadores, esto sugiere que lo que un modelo juez observa puede ser más relevante que cómo fue entrenado. Después de cada ronda, EditAgent también verifica si las ediciones posteriores deshicieron accidentalmente las anteriores. En el ejemplo del artículo, la instrucción "dejar entrar más luz del día" hace que una ventana previamente helada vuelva a estar clara. El agente detecta el conflicto y lo corrige. EditAgent mejoró los editores de código abierto Qwen-Image-Edit-2511 y Flux-2-Klein-9B en tres estándares y superó a siete otros agentes de IA. En el estándar EdiVal, la variante Qwen en su tercera ronda de edición superó a los modelos comerciales Seedream 4.0 y GPT-Image-1.5. Sin embargo, el agente necesita aproximadamente diez veces más recursos computacionales que un solo editor, y su rendimiento depende de qué herramientas estén conectadas. El agente genera datos de entrenamiento para editores más rápidos. Los investigadores también utilizan EditAgent como fuente de datos. Debido a que el agente solo conserva resultados verificados, produjo alrededor de 26,000 ejemplos de entrenamiento. Los editores ajustados con esos datos tuvieron un mejor desempeño en los tres estándares. En cambio, los datos de entrenamiento generados directamente por FLUX, en realidad, hicieron que FLUX tuviera un peor rendimiento. Esa compensación podría hacer que los altos costos computacionales del agente valgan la pena con el tiempo. Adobe incorporó agentes de inteligencia artificial en Photoshop, Premiere y otras aplicaciones de Creative Cloud en junio, comenzando como una beta pública. Los usuarios describen lo que desean y el agente se encarga de los pasos individuales. La efectividad de estos agentes para seleccionar las herramientas adecuadas y verificar sus propios resultados es una cuestión que se relaciona directamente con los productos que Adobe ofrece al mercado. Black Forest Labs ha reemplazado desde entonces el modelo de propósito general que se probó en el documento: el nuevo Flux 3 Image Klein cuenta con 5.6 mil millones de parámetros, lo que lo hace más pequeño que el Flux 2 Klein, pero aún así obtiene mejores resultados que todos los demás modelos abiertos e incluso que el comercial Flux 2 Pro en las pruebas internas de Black Forest Labs. Fuente original: [The Decoder](https://the-decoder.com/adobe-is-testing-how-well-ai-agents-can-use-editing-tools-like-a-photoshop-professional-would/). --- *Contenido creado y optimizado para IA con [Medios CMS](https://medios.io)* — Plataforma profesional para la gestión de medios digitales y portales de noticias.