#Data Engine

3 篇

EditAgent: Rethinking Agentic Image Editing

重构智能体图像编辑：扩展动作与观察空间

🧭 Agent 动作/观测空间扩展与并行评判

UC San Diego · Adobe Research

并行调用多类编辑器、为候选附验证记录并用 VLM 列表式评判，提升成功率并降低 judge 调用

📌 工作参考价值（4 点）

在生成式推荐、文案/主图生成 Agent 中，避免单一模型反复 retry：并行生成不同模板/模型/策略的候选，再用 Listwise 比较一次筛选；原文显示并行比顺序精修在 78.5% 的已决定比较中更受专家偏好，且 judge 调用至少减半。
为每个候选附结构化 verification record（变化图、局部前后对比、mask、数值统计、代码核验事实等），off-the-shelf VLM 就能超过 finetuned reward model；迁移到电商场景时，可为候选附上价格/利益点一致性、属性匹配、CTR 预估等证据。
评判器扩展 observation space 比 finetune reward model 更划算：用规则/代码/检索结果生成证据，提升 VLM judge 的可靠性，尤其是没有稳定 GT 的生成任务。
可作为 data engine：用 Agent 并行生成多候选 + VLM judge 构建偏好对，蒸馏训练更强的生成式推荐或文案模型。

Agent | 2026-10-28 | HF Daily | score 6/10

AwareVLN：具备自我感知推理的视觉语言导航

🧭 视觉语言导航 · 自我感知推理

Tsinghua University

提出自我感知的结构化推理机制，使视觉语言导航智能体明确理解自身状态和任务进展，实现更鲁棒的指令跟随。

📌 工作参考价值（4 点）

结构化推理触发机制：仅在关键决策点动态触发显式推理，分析空间状态、任务进度及指令对齐，避免全程密集推理。电商对话或复杂任务 Agent 可借鉴此设计，按需进行深层次状态审视，降低延迟与冗余计算。
自动数据引擎与进度划分：利用任务进度自动标注生成训练数据，将导航过程切分为语义完整的子任务。可迁移至电商多轮交互场景，通过自动标注对话状态与进度标签，提升训练数据生成效率与模型对流程的理解。
端到端空间-任务感知融合：不依赖3D传感器与显式建图，从RGB视觉输入中以数据驱动方式习得空间与任务自我意识。对于电商推荐中基于视觉或文本的状态跟踪（如用户浏览路径理解）有参考价值，可增强模型对环境与目标的整体把握。
可解释性提升：显式的结构化推理输出（我看到了什么，我完成了什么，下一步计划）增强了决策透明度。可应用于电商推荐系统的可解释性设计，例如在生成推荐理由时融入类似“用户当前处于…阶段，因此推荐…”的推理链条。

Agent | 2026-05-21 | cs.CV | score 6/10

TerminalWorld：从终端录屏自动生成真实任务评估基准

🧭 面向终端 Agent 的可扩展评估基准

University College London · Nanjing University · Tencent

通过逆向工程 8 万终端录屏，构建可扩展的真实终端任务基准，揭示现有 Agent 最高仅 62.5% 通过率。

📌 工作参考价值（4 点）

从真实录屏构建评估数据引擎的范式可复用：在电商场景中（如 CLS 日志、运维操作记录、推荐流程重放），可逆向生成高保真的 Agent 评估任务，避免人工设计的主观性和偏差。
多步工作流评估揭示真实能力短板：基准包含超 50 步的任务，类似电商订单处理、多系统查询的复杂流程，可用于测试 Agent 在长程依赖、错误恢复上的表现。
弱相关验证现有基准的局限：与 Terminal-Bench 仅 0.20 相关性提示自建基准可能更贴近线上真实分布，在评估生成式推荐或 Agent 时，应考虑从生产数据采样而非完全依赖通用榜单。
自动化质量保证思路：采用环境重建、输出校验与人工验证的混合流程，可借鉴到推荐系统的离线回测范式，提升对生成结果的可靠性评估。

Eval | 2026-05-20 | HF Daily | score 7/10