AI改图，终于懂点「用户心理学」了

机器之心发布 一张电商图片，既要准确展示商品，也要契合用户喜好，更承载着价值转化的商业期待。当图像编辑开始读懂用户偏好，模型能否将不同的创作意图转化为合心意、可使用的电商素材，进一步激发商业价值潜能？ 快手技术团队推出 KwaiMind，一套面向真实电商内容生产的图像编辑基座模型。 融合通用图像编辑与电商专项能力，在保留商品细节、准确呈现文字的同时，满足多样化创作需求，并配套构建电商任务评测体系，形成从数据生产、模型训练到效果评估与业务反馈的完整闭环。 据技术报告披露，KwaiMind 在多项通用图像编辑基准上取得参评开源模型综合得分第一；在自建电商评测 Ecom-Bench 中，视觉总分位居参评开源模型第一。 线上商品主图素材优选 A/B 实验中，KwaiMind 带来实际点击率相对提升约 2.44% ，展现了电商图像编辑的商业应用潜力。 图 1 Ecom-Bench 视觉总分与 Ecom-CTR 排名比较。CTR 为预测排名累计计数。 从通用编辑到定向修复 覆盖真实素材生产需求 KwaiMind 将增删、替换、构图调整和局部问题修复纳入同一套指令式编辑能力，支持服装试穿、商品细节展示、配饰佩戴、背景替换、动作调整等任务。商家可以围绕已有素材提出展示需求，也可以针对文字、背景等局部问题进行定向修改。 图 2 KwaiMind 编辑案例，涵盖服装、配饰、商品场景和通用图像编辑。 以电商卖点图为例，模型需要根据商品图与编辑指令调整背景和构图并进行文字的渲染，在突出商品视觉表现的同时，保持其外观、材质与关键细节的一致性。这些要求也考验模型的通用编辑能力。KwaiMind 在适配电商场景的同时，也展现出较强的通用编辑能力，在多个通用基准测试中均优于本报告中其他参评的开源模型。 图 3 KwaiMind 在四组通用编辑评测中均取得参评开源组最高总体得分。 四项智能体协作 维护约 180 万对高质量训练样本 电商素材规模庞大、来源多样，既需保障质量，也需适配不同任务。传统流程依赖反复筛选、修改和复核，成本高、效率低，标准也难统一。为此，KwaiMind 构建了多智能体数据引擎，将质量过滤、样本修复、定向补充与指令标注整合为统一流程，实现任务自动流转、样本状态可追踪。四类智能体分工如下： Filter Agent ：预筛输入图像，复筛编辑结果； Generation Agent ：根据诊断修复可恢复样本，补充覆盖不足的任务数据； Caption Agent ：生成不同粒度的编辑指令； Coordinator Agent ：维护样本状态与分布，统筹任务调度、流程衔接及重试。 系统同时引入 Human-in-the-Loop 机制，将低置信、高分歧样本交由人工审核，审核结果回流数据生产流程，兼顾处理效率与数据质量。 图 4 精选 SFT 数据的任务构成及代表性样本。 多智能体数据引擎从约 2,620 万对候选数据中构建并维护约 180 万对高质量训练样本，供 Continued Fine-tuning 阶段使用。进一步精选约 23.49 万对数据用于 SFT 阶段，包括 11.5 万对通用编辑样本和 11.99 万对电商样本。通用数据夯实模型的基础编辑能力，电商数据则围绕服装细节、商品展示和文字编辑等强化专项能力，共同提升模型的指令遵循度与图像美观度。 专项优化与多教师蒸馏 整合为统一基座 真实电商任务往往要求模型同时做好多件事：执行编辑指令、保留商品细节、写对文字，并生成更能吸引用户关注的画面。这些目标的优化难度和收敛节奏并不相同，直接混合训练可能产生干扰，依次优化又可能遗忘已有能力。 KwaiMind 为此采用了一套结合 专项能力优化与多教师蒸馏 的训练方案：在通用编辑能力之上，模型进一步强化视觉质量、商品一致性、文字准确性以及商业点击吸引力。再通过 DiffusionOPD 将不同专家的能力汇聚到统一模型。 图 5 训练框架与 DiffusionOPD 多教师蒸馏。专项教师在学生自身的去噪轨迹上提供指导。 DiffusionOPD 是一种在线蒸馏策略，由教师沿学生的去噪轨迹逐步指导，使能力迁移更贴近学生实际的生成过程。KwaiMind 将通用编辑、文字处理、商品细节保留与用户偏好整合到同一模型中，让一次编辑兼顾多项要求，例如更换背景时保留包装细节与文字，同时生成更符合用户偏好的展示效果。 Ecom-Bench： 系统定义电商任务与评测体系 电商图像编辑需要明确的任务边界，也需要一套能够判断素材是否可用的评价标准。 为此，团队构建 Ecom-Bench ，包含 11 项任务、1,100 个案例，每项任务 100 个案例。这些任务包含了虚拟试穿、服装细节、姿态调整等模特穿戴任务，背景替换、商品提取、卖点展示等海报相关任务，以及文字编辑、宣传语去除等文字任务。 围绕这些任务，Ecom-Bench 建立了由 6 个通用维度和 8 个电商专项维度 组成的综合评价体系： 通用维度关注指令遵循、融合自然度、物理与光照合理性、非编辑区域保留、图像质量及整体美感； 电商维度关注检查商品身份、文字准确性、面料纹理、模特与姿态、服装合身度、抠图边缘、卖点传达及商品展示完整性。 每项任务选取 2 个通用维度和 2 个电商维度，按任务需求确定评价重点。下表是具体的任务测评维度分配： 表 1 Ecom-Bench 各任务的评价维度分配（对应技术报告 Table 5） 评分时，评审模型会结合参考图、编辑指令和生成结果，按照明确的评分标准，对四个维度分别给出 1-5 的整数分。 单个案例的综合分采用几何平均计算，使文字出错、商品身份偏移等关键缺陷更明显地影响综合得分，降低单项高分所掩盖的素材可用性问题。各任务得分为该任务 100 个案例综合分的平均值，总分再对 11 项任务等权平均。 如图 1 所示，在报告的评测设置及参评模型范围内，KwaiMind 的 Ecom-Bench 视觉总分位居开源模型第一。除了视觉质量，团队还通过 Ecom-CTR 评估生成素材的预测点击偏好。不同模型的输出进行排序，各模型进入前三名的次数累计为 CTR 分数，以衡量相对商业吸引力。KwaiMind 在这一指标上表现优越，体现了模型对素材可用性与用户偏好的兼顾。 下面是一些可视化对比素材，覆盖卖点展示、服装细节、服装展示和虚拟试穿。结合参考图与编辑指令，可以直观看到不同模型在商品素材生成方面的差异。 图 6 服装展示 图 7 服装细节图 图 8 卖点图 图 9 虚拟试穿 业务验证： 素材生成到真实点击提升 为了验证 KwaiMind 在实际业务里的应用价值，团队启动了商品主图素材优选线上 A/B 实验。在实验中， KwaiMind 带来了约 2.44% 的实际点击率的相对提升。 在离线评估中，对于随机质量采样的商品图，KwaiMind 生成图的预估 CTR 高于原始商品图的比例，由训练前的 12.16% 提升至 37.41%；相较于未经优化的基线生成图，其预估 CTR 胜率达到 91.89%。 总结 KwaiMind 的推出，让我们看到图像编辑模型进入电商实际工作流程的更多可能。从试穿展示、背景调整到商品细节保留与文字修改，模型需要理解的不只是 “画