KwaiMind Technical Report
Junlong Wu, Zijun Li, Yuting Hu, Jia Sun, Pengcheng Wei, Yimin Zhou, Honglie Wang, Huaiqing Wang, Dewen Fan, Fei Zuo, Haixuan Gao, Lihui Peng, Tingxuan She, Yuqing Li, Boheng Zhang, Fan Yang, Wenwu Ou
cs.CV
2026-09-22
快手在 Qwen-Image 的 MMDiT 上做电商图像编辑，约 1.8M 对经 CTR、OCR、一致性奖励对齐后蒸馏成单模型。开源侧 ImgEdit 4.15、Ecom-Bench 3.67 最高；超原图 CTR 比例 12.16% 提到 37.41%，线上选图真实 CTR 相对升 2.44%。
通用指令编辑已经能加减替换、换风格。电商主图另有三道硬门槛：商品身份不能漂，颜色、纹理、logo 错了等于卖假货；促销文字要写对写清；成图还得能被点。这三件事通用评测几乎不量，模仿学习也优化不到点击。
快手把数据、对齐目标和评测一起改成电商口径，做成 KwaiMind。底座跟 Qwen-Image-Edit-2511 一样是双流 MMDiT，数据维持大约 180 万对，并放出覆盖 11 项任务的 Ecom-Bench。
数据引擎是多 Agent 闭环。26.2M 原始对来自 ScaleEdit-12M、X2Edit、AnyEdit 和内部 KwaiData 8.0M，经过滤、可修复样本修补、缺口补生成，维持约 1.8M 高质量对。Coordinator 用状态机调度 Filter、Generation、Caption，人只处理不确定和越界样本。Caption 给每对三档指令（细、短、口语），再用大模型反审计。SFT 再按任务筛一刀，得到 234.9K 对：通用 115.0K、电商 119.9K，覆盖试穿、细节、展示、穿戴、换姿势、换背景、外扩、抠图、改字、去角标、卖点海报。多参考任务把模特图和商品图一并送进序列。
训练四段。先在 720p 以上做持续预训练，中英各三档指令按 epoch 随机抽；再 SFT；再混合离线与在线 Diffusion-DPO；最后用 DiffusionNFT 在前向扩散上做在线强化学习。通用质量交给 Gemini 3.1 Pro Preview 当固定裁判，画质、指令、美观各打 1 到 5 分。电商另训三个奖励模型。
CTR 奖励只看同商品、印象超过 2000、且 7/14/30 天排序一致的成对日志，先做 10 桶分类再做 gap-weighted 排序。平台内成对准确率大约 70%。公开 CreativeRanking 上，去掉文本分支的视觉变体 PairAcc 57.1，高于 CAIG 的 56.2、GPT-4o 的 50.2。通用 VLM 零样本当点击裁判接近随机。OCR 奖励分两层：span 级管放对位置，glyph 级用识别器后验管缺笔断笔。一致性奖励把产品身份 rid 和目标部位 rtf 加权，1 到 4 分，宁可低分也不把「看起来像同类」当成同一件。
三个目标分开训教师，再用 DiffusionOPD 在学生自己的去噪轨迹上做均值匹配，合成一个编辑器。分开训是为了避免异构奖励互相抢；蒸馏是为了避免顺序训把前面的能力忘掉。
通用四项开源总体第一。ImgEdit 和 GEdit 统一用 Gemini 3.1 Pro Preview，REDEdit 走原协议。
| 基准 | KwaiMind | 开源第二 | 闭源最高 |
| ImgEdit | 4.15 | FireRed-Edit 4.11 | Seedream 4.27 |
| GEdit | 6.29 | Qwen-Edit-2511 5.97 | GPT-Image-2 7.10 |
| REDEdit 英 | 3.75 | FireRed-Edit 3.67 | GPT-Image-2 4.17 |
| REDEdit 中 | 3.73 | FireRed-Edit 3.67 | GPT-Image-2 4.22 |
相对底座 Qwen-Edit-2511，ImgEdit 从 3.83 到 4.15，GEdit 从 5.97 到 6.29。相对底座的增益是实的，对闭源仍有缺口，GEdit 上 GPT-Image-2 到 7.10。
Ecom-Bench 每任务 100 张，四维几何平均（两维通用加两维电商），单维崩了会拖总分。视觉总体 3.67，开源最高；闭源 GPT-Image-2 4.20、NanoBanana-2 4.01。开源里最显眼的是服装细节 4.25（FireRed-Edit 仅 1.82）、服装展示 4.19、换姿势 4.44。试穿 3.98 低于 FireRed-Edit 的 4.27。外扩 2.55，远低于 Flux-2.0 的 4.57；抠图 3.69 低于 Joy-Edit 的 3.97。Joy-Edit 和 LongCat 不接双图输入，试穿和穿戴缺分，它们的总分是九项平均。
CTR 排名覆盖 1100 例、8 个模型：KwaiMind 第 1/2/3 名出现 215/164/165 次，合计 544，高于 Seedream 525 和 GPT-Image-2 431。离线可用性定义为生成图预测 CTR 严格超过原商品图的比例，CTR 奖励优化前 12.16%，优化后 37.41%。线上 A/B 用该模型挑主图，真实 CTR 相对对照组大约高 2.44%。线上实验是选图，不是把生成器直接接到实验组。
电商编辑的可用门槛是身份、文字和点击。KwaiMind 把这三件事做成可训奖励，再蒸馏成单模型，开源侧已经能打一般编辑和服装类任务。闭源视觉分仍明显更高。可复用的是这条路径：从 Qwen-Image 系继续训，加业务奖励，分教师再合并。CTR 必须吃平台日志，通用裁判扛不住。
正文没有独立局限节。结论写了要补与闭源的视觉差距，以及组合编辑和多参考还不够稳。Ecom-Bench 裁判和训练裁判都是 Gemini 3.1 Pro Preview，存在同系自评风险。CTR 榜用自家奖励给各家成图排序，KwaiMind 在这个目标上专门训过，544 分不能读成「线上最好卖」。+2.44% 没披露流量、品类和生成器是否已在实验组。外扩和抠图明显落后，专项奖励没有覆盖全部 11 项。仓库地址给了，权重是否完整开源正文没写清。