这篇有意思的地方不在于「又做了一个会修图的大模型」，而在于它把过去一年最热的那条路——让 MLLM 学会去点 Lightroom 的两百多个滑块——直接判了死刑，改成一件更朴素的事：让模型自己「想」，也让它自己「动手」，而且这只手是可微的。
问题背景。 JarvisArt、MonetGPT、RetouchIQ 这一批工作走的都是同一个范式：把多模态大模型当成一个会读懂「帮我把这张逆光人像提亮、肤色调暖一点」的大脑，然后让它去调用专业修图软件里的工具链。听起来很美，但工程上有个死结——那些外部工具是不可微的黑箱。模型输出一串参数丢进 Lightroom，出来一张图，你却没法把「这张图好不好看」的梯度回传给模型。于是训练只能靠强化学习在参数空间里盲试，或者退回到「跟一张参考图算 L1」的老办法，像素级的端到端优化根本无从谈起。
方法的关键转折。 VeraRetouch 把这条链路整个搬进了可微世界。它用一个只有 0.5B 参数的 FastVLM 当推理脑子——先分析画面缺陷、给出一段调整理由，再生成调色策略；真正执行的是作者自研的「Retouch Renderer」，本质是一个逐像素的 MLP 颜色映射，把光照、全局色彩、局部色彩三层调整全部写成可微算子。整条「看图→推理→出参数→渲染成片」的路径梯度贯通，就能在像素层面端到端训练，作者还上了一套针对审美认知的 RL 后训练（DAPO-AE）和百万级修图数据集 AetherRetouch-1M+。结果是 FiveK-Bench 上 PSNR 26.85 dB、Aether-Bench 上 30.18 dB，都刷过了基线。
对做色彩和 ISP 的人来说，真正值得盯的其实是那个渲染器：它等于把「专业调色师的一套操作」压成了一个可训练的可微调色模块——这不就是一个由自然语言意图驱动、能反向传播的软件 ISP 后端吗？
能进哪些真实工作流。 最直接的是相册里的「一键修图」和手机端的实时调色：0.5B 的体量让它在 MacBook Air M4 上 7.4 秒、iPhone 16 Pro 上 13.5 秒就能出一张，比 Flux.1 Kontext 那类扩散方案快一大截，属于真能塞进端上的量级。往色彩科学这边发散，它给出了一个诱人的模板——把 AWB、tone mapping、局部调色这些传统 ISP 里手工调的环节，替换成「小 VLM 出策略 + 可微算子执行」的组合，让整条 ISP 后端既能被一句话调参，又能端到端拿 GT 或审美 reward 去训。可解释性也是顺带的红利：每次调整都附一段推理，比黑箱增强至少让人知道它「为什么把这块压暗」。
局限与存疑。 0.5B 的推理深度终归有限，遇到复杂混合光照或需要真正理解场景语义的场景，那段「reasoning」到底是因果推理还是话术，需要打个问号——审美类 RL 的 reward 本就主观，很容易训出「讨好评测」的风格。更实际的是，Retouch Renderer 和 AetherRetouch-1M+ 都是自研、未开源，逐像素 MLP 映射能覆盖多广的调色操作、会不会在高饱和或肤色边界上翻车，光看论文还判断不了。但它至少把方向摆正了：与其让大模型隔着一堵不可微的墙去够工具，不如把工具本身重写成模型能一起训练的样子。