做一张图很少只改一次。加个物件、调下光线、再修一处细节——真正难的是让前面已经满意的部分别被后面的编辑顺手毁掉。自回归扩散类模型在多轮编辑里最典型的翻车方式就是漂移：纹理一点点糊掉，主体一点点跑偏，几轮之后画面面目全非。

一篇刚放出不久的论文给出了针对这个问题的训练范式。商汤研究团队联合港科大 MMLab、斯坦福与清华 AIR 的 MT Forcing，把训练放在模型自己生成的多轮轨迹上，同时用一条"单轮教师线"做监督——教师永远从原图出发，把至今累积的所有指令一次性应用完，再拿它的输出分布去校正学生。论文与项目页分别在 arXiv:2610.25404 与 项目主页 上。

漂移到底怎么发生的

论文把多轮编辑的失败拆成两类：一类是视觉质量不稳定，伪影随轮次累积、细节退化；另一类是内容不一致，本该保留的区域和此前的编辑结果被意外改动。当模型持续编辑自己的输出时，微小误差会被一步步放大。

这套训练范式基于统一多模态模型（UMM）上的自回归扩散，作者列出两个互补的训练信号，分别对应上面两类漂移。

两条信号：一个稳住画质，一个守住一致性

单轮分布匹配蒸馏（Single-Turn DMD） 盯的是画质。学生按自己的输出历史逐轮编辑自己，而教师从原始图像出发，把到当前为止的全部指令一次性合成一遍，给出分布层面的指导。这样教师不会把上一轮的误差带到下一轮，避免递归式误差累积。

教师强制引导（Teacher-Forcing Guidance） 盯的是跨轮内容一致性。它在真实的多轮轨迹上监督依赖历史的转场：预热阶段用参考轨迹引导，蒸馏阶段作为正则项继续施加。作者明确指出，只靠逐轮的分布匹配不足以保证跨轮一致——这也是为什么需要第二条信号。

两条信号作用在同一个学生模型上。

数字：八轮编辑下的变化

项目页披露的数据来自 MTEdit-Bench 的 100 组八轮编辑会话，取八轮平均分，基座是 SenseNova-U1.5：

  • 指令遵循（IF）：基座 8.47 → 加上 MT Forcing 后 9.66（满分 10）
  • 内容一致性（CC）：基座 7.09 → 8.40
  • 抗漂移（DRS）：基座 3.83 → 4.30（满分 5）
  • 匹配点位移：基座 6.34 px → 0.74 px（越低越好）

评估口径项目页也写清楚了：八轮平均等权计分，IF 与 CC 采用该基准"失败即触发"的规则——某轮失败之后的后续轮次直接记零分。

第 8 轮的内容一致性差距更直观：7.68 对基座的 3.22，高出 4.46 分。

我的判断

这篇工作有意思的地方不在某个分数，而在于它指出了一个容易被忽略的训练信号设计问题：多轮场景下，教师的定义方式本身会决定误差是否累积。多数方法默认教师和学生处在同一轮次，于是教师也带着上一轮的误差往前爬；MT Forcing 把教师从原图重新出发、一次性合并全部指令，本质是让监督信号对历史误差免疫。

两点得说清楚。第一，仓库代码尚未释出，官方标注是"即将发布"，训练代码与预训练 checkpoint 都还没落到仓库里，想立刻复现的人还得等。第二，实验结果来自团队自建基准 MTEdit-Bench 的自报数字，第三方复现尚未见到，这是评测类工作该打的折扣。

多轮编辑正从"能演示"走向"能交付"——用户不会接受改了五次之后画面已经认不出来了。谁能把"记住前面发生过什么"训练进模型，谁就拿到交互式视觉创作的入口。