近年来，基于指令的图像编辑取得了突破性进展，模型能够处理现实世界中的编辑需求，为日常用户提供了实用性。然而，主要针对单轮编辑训练的模型在多轮编辑——即用户基于模型自身先前输出迭代优化图像的交互场景——中常常失效。这种失败源于“全或无”的要求：单次失败的编辑会破坏整个序列；以及误差传播：暴露偏差导致模型对自身输出产生的分布外图像表现不佳。
为了解决这一问题，苹果机器学习研究团队提出了MT-EditFlow，一个基于流匹配（Flow Matching）的多轮图像编辑框架。MT-EditFlow通过强化学习微调扩散模型，使其能够更好地适应多轮交互。具体来说，模型在训练过程中被暴露于自身先前生成的图像，从而学习如何纠正和优化之前的编辑结果。
实验表明，MT-EditFlow在多个图像编辑基准上显著优于现有方法，尤其是在多轮场景中。该框架不仅保持了单轮编辑的高质量，还实现了多轮编辑的稳定性和一致性。这一工作为构建更自然、更实用的交互式图像编辑系统铺平了道路。