Agent Banana：利用智能体思维与工具调用实现高保真图像编辑

我们研究了专业工作流下的基于指令的图像编辑，并识别出三个持续存在的挑战：(i) 编辑器经常过度编辑，修改了超出用户意图的内容；(ii) 现有模型主要是单轮的，而多轮编辑可能会改变物体的忠实度；(iii) 约 1K 分辨率的评估与经常处理超高清图像（如 4K）的真实工作流不匹配。我们提出了 Agent Banana，这是一个分层智能体规划器-执行器框架，用于高保真、物体感知、审慎的编辑。Agent Banana 引入了两个关键机制：(1) 上下文折叠 (Context Folding)，将长交互历史压缩为结构化记忆，以实现稳定的长时程控制；(2) 图像图层分解 (Image Layer Decomposition)，执行局部图层化编辑，以保留非目标区域，同时支持原生分辨率输出。为了支持严格评估，我们构建了 HDD-Bench，这是一个高清对话式基准测试，具有可验证的分步目标和原生 4K 图像（1180 万像素），用于诊断长时程失败。在 HDD-Bench 上，Agent Banana 实现了最佳的多轮一致性和背景忠实度（例如 IC 0.871, SSIM-OM 0.84, LPIPS-OM 0.12），同时在指令遵循方面保持竞争力，且在标准单轮编辑基准上表现强劲。我们希望这项工作能推动可靠、专业级的智能体图像编辑及其在真实工作流中的集成。