Read this paper write-up in English
EditJev: System One Routing for Image Editing Models¶
对图像与编辑指令的一次backbone前向取最后非padding hidden，用线性head输出各编辑器偏好；离线按质量gap构造成对排序监督，推理仅结合预测偏好与归一化速度选一个编辑器。本地实现目标与路由，不生成图像或读取测试质量答案。
论文信息¶
| 字段 | 内容 |
|---|---|
| 论文链接 | arXiv 2610.32635 v1；固定核对全文 v1 |
| 公司 / 机构 / 学校 | 一作 Zhile Guan：Peking University；全文署名未列Google/Meta，不因使用Gemma或引用JEPA就标为Google/Meta论文。 |
| 首次公开日期 | 2026-10-23 13:46:53 UTC（arXiv v1提交）；2026-10-26 new公告，不混淆提交日与公告日。 |
| 原作者代码 | 固定v1正文及本轮官方链接未找到作者EditJev方法仓库；未发布/未找到，不把模型候选仓库当router源码；未找到可核验的方法源码许可证；论文arXiv non-exclusive license |
| 本地 adapter / 稳定键 | editjev；adapter: null；component_only |
| 本地复现代码目录 | src/auto_research/system_one/editjev.py |
| 完整实验 | 成本过高，不复现（审查 DONE）；不阻塞审查水位、不自动重试。 |
原始论文总结¶
背景与主要改动¶
固定使用一个图像编辑器会忽视样本级互补性。EditJev先离线让所有候选产生输出并由judge评分，再将可靠质量差转为pairwise监督；router不生成模型名称，而直接输出固定候选顺序的utility vector。推理无需先运行各编辑器，仅对utility加beta倍固定速度分后选一次argmax。
原论文关键图¶
Figure 2，固定v1HTML原始图文件逐字节保存。图片来自原论文，版权归原作者所有；未重绘或修改科学内容。原始来源、SHA256和尺寸。
核心公式¶
$$ SC_i=\min(s_i^{success},s_i^{preserve}),\quad PQ_i=\min(s_i^{natural},s_i^{artifactfree}),\quad O_i=\sqrt{SC_iPQ_i}. $$ $$ \mathcal P_b={(a,c):O_{ba}>O_{bc},\ O_{ba}-O_{bc}\ge\delta},\quad \mathcal L=\frac1B\sum_b\frac{\sum_{(a,c)\in\mathcal P_b}\operatorname{softplus}(u_{bc}-u_{ba})}{\max(1,|\mathcal P_b|)}. $$ $$ s_i=\frac{t_{max}-t_i}{t_{max}-t_{min}},\qquad \hat i=\arg\max_i(u_i+\beta s_i). $$ 每个request先按pair数归一化，再batchmean；不能把全batch所有pair合并平均。无pair的request贡献可微零。tmax=tmin时原式未定义，本地拒绝并要求调用方声明策略，不暗中补heuristic。
论文离线与线上效果¶
原文ImgEdit整体4.592对最强固定4.540，GEdit-En8.255对8.194；估计端到端latency分别降低60.8%与31.7%。该提升依赖真实视觉backbone、离线judge及候选池；本地没有复制这些分数或速度结论。
未报告本文方法的生产线上A/B，不将开源benchmark或引用商业模型视为线上部署证据。
本地复现¶
本轮已在CPU及真实NVIDIA A100上执行同一冻结版本、42/43/44三个种子：独立机制指标、脱敏GPU凭证。仅验收下述L1组件，不宣称完整模型能力。
PreferenceHead真实执行最后非padding token gather与线性投影，支持左/右padding；上游真实Qwen3-VL hidden由调用方负责。offline_quality和pairwise_ranking_loss仅在训练使用离线label，label停止梯度。route(utilities, mean_latencies, beta=...)不接judge结果、候选输出或test gold。未实现Qwen3-VL加载、LoRA训练数据生成、MLLM judge或图像编辑器。相同utility下较大beta偏向更快模型；本地固定候选顺序解argmax平局。
PYTHONPATH=src python -c 'from auto_research.system_one.editjev import diagnostic; print(diagnostic(42))'
python -m pytest tests/test_oct26_foundation_components.py
diagnostic(seed, device='cpu')只运行生成小张量上的独立公式、梯度、接口和负控；CUDA不可用直接失败、不回退CPU。本轮已完成CPU与真实A100同源三种子机制验收，不是完整模型效果复现。
复现边界¶
完整方案Qwen3-VL-4B LoRA router，五个编辑器FLUX.2 Klein4B/9B、Kontext、OmniGen2、Qwen-Image-Edit（20B），离线所有候选生成及Qwen3-VL-32B/GPT judge，737 ImgEdit+606 GEdit-En请求和多组消融。论文RTX PRO6000延迟计时不适合伪装成A100本地实测，不下载多套编辑权重或批量调API。
成本过高，不复现（审查 DONE）。以上是成本先行的终态审查，不是先跑大实验再得出的超时。本地组件只证明所列计算与梯度，不证明原模型/数据流程或正式benchmark收益。 diagnostic_only=true、promotion_eligible=false、evolve_integrated=false，没有以registry标签假称多轮控制器集成。