想让AI按文字指令移动图片里的物体为何如此困难？主流图像编辑模型在几何级操作上表现不佳，无法精确移动物体。TALK2MOVE框架另辟蹊径，首次将这一问题系统性地建模为强化学习任务，成功绕过了对成对标注数据的依赖，为实现高精度、可解释的图像空间编辑提供了全新思路。
智能速览
主流图像编辑模型难以执行精确的几何操作，如移动物体。
TALK2MOVE利用强化学习（GRPO）建模文本到物体变换的过程。
该方法无需成对的before-after标注数据，显著降低训练门槛。
通过空间感知奖励函数，直接在几何空间计算奖励，提升精度。
在平移任务上准确率最高达76.67%，人类偏好胜率领先竞品。
训练效率最高可提升2倍，且数据效率高，1/10数据量仍优于SFT。
精华内容
TALK2MOVE 的突破在于它没有走传统像素回归的老路，而是将编辑过程视为一个智能体学习任务，这从根本上改变了游戏规则，让AI学会了“理解”空间指令。
RL重塑编辑范式
传统图像编辑依赖像素回归或启发式规则，难以精确控制物体几何关系。TALK2MOVE首次将“文本指令到物体几何变换”这一过程，建模为强化学习中的组相对策略优化（GRPO）任务。这种方法让模型通过与环境（图像）交互来学习，而非简单模仿像素变化，从而获得了更强的空间推理和精确控制能力，统一支持平移、旋转和缩放三类操作。
破解数据瓶颈
高质量成对数据是几何编辑的巨大瓶颈。TALK2MOVE通过GRPO的多轨迹采样和文本轻扰动技术，自行生成训练所需的rollouts，从而摆脱了对繁琐的before-after标注数据的依赖。此外，其提出的Step-wise Active Sampling策略能评估扩散步骤的信息量，提前退出无效步骤，最高可将训练效率提升2倍，实现了在仅使用1/10数据量时，效果依然优于纯监督微调（SFT）模型。
空间感知的奖励
如何让AI理解“移动得准不准”？TALK2MOVE设计了空间感知奖励函数，直接在物体级别的几何空间中计算奖励，例如具体的位移向量、旋转角度和缩放比例，而不是依赖模糊的图像相似度。同时，通过文本驱动分割和深度估计，框架将前景物体与背景解耦，确保编辑操作只作用于目标物体，避免了整个画面被意外修改的问题。
全面领先的性能
在合成与真实数据集的测试中，TALK2MOVE展现了全面领先的优势。在物体平移任务上，其编辑准确率最高达到76.67%。在人类主观评测中，相比于GPT-Image-1、Flux-Kontext、Bagel等先进模型，TALK2MOVE的胜率稳定在57.5%至68.75%之间，证明了其生成结果更符合人类直觉和指令意图。
TALK2MOVE为AI图像编辑领域引入了强化学习的新视角，有效解决了几何操作这一长期存在的痛点。它不仅在技术上实现了突破，更预示着未来我们与视觉内容交互方式的变革。当AI能精确理解并执行空间指令时，从创意设计到自动化内容生成，将迎来怎样的新可能？
