ACEdit：通过非对称条件实现稳定的多轮图像编辑

基于摘要分析。ACEdit 研究多轮图像编辑中逐轮累积的分布偏移：单次编辑引入的细微变化会使后续输入逐渐偏离编辑器原始训练时的输入分布。其贡献是将 Self-Forcing 原则引入图像编辑训练，让模型在训练中处理自身先前轮次生成的图像，并通过非对称条件蒸馏提供监督。 核心机制是区分学生与教师的条件来源。学生沿自身生成的轨迹连续执行编辑；教师则始终以原始干净图像为锚点，并接收复合编辑指令。该设计旨在应对自生成轨迹偏离真实轨迹后，直接监督不再可靠的问题。摘要未说明蒸馏损失的具体形式、复合指令的构造方式及教师与学生的模型配置，这些实现细节尚未验证。 作者报告，在多轮图像编辑实验中，该训练方案显著减轻了长序列编辑的质量退化，同时保持编辑质量与指令遵循能力。摘要未提供数据集、序列长度、评估指标、数值结果或对照配置，因而尚不能判断收益幅度及泛化范围；实验协议、消融及统计信息尚未验证。 该工作的主要对象是图像编辑，而非 EEG 或 BCI。平台推测（待验证）：其训练机制可能对依赖自身历史输出的递归神经信号生成或重建任务具有参考价值，但前提是存在可作为教师锚点的可靠输入，以及可组合的任务条件；不能直接对应到一般 EEG 分类。若探索此方向，需要改造条件表示与教师监督，并警惕低信噪比、跨被试差异和小数据导致教师目标不可靠。一个可证伪的小实验是在固定 EEG 重建任务与划分下，比较直接监督、自生成轨迹训练和锚定教师监督随递归步数增加的误差变化。此迁移假设不属于原文验证结果，相关 EEG 工作尚未检索确认。