这篇论文有意思的地方不是又刷高了某个编辑指标，而是换掉了被建模的对象：以前是「给定原图和指令，生成目标图」，它改成「生成这一次改动」。
先说清楚现在卡在哪
你给编辑模型一张海边的狗照，说「换成狼」。回来的图里狼是有了，但沙子的颗粒变了、海水的蓝偏了、构图还悄悄挪了两像素。这不是模型不听话，是它压根没打算保留原图——主流的文本编辑走反演加重绘：先把成品图一步步倒推回扩散模型的噪声起点（这一步叫 inversion，反演），再拿新指令从这个噪声重新生成一遍。往返一趟本就会漏掉部分原图信息，重绘时模型又要为整张画面负责，于是没被指令提到的地方也一起被重新想象了一遍。
这条路线打了很多补丁：注意力控制（把原图生成时的注意力图钉住，强迫新图沿用）、用户画蒙版圈出可改区域、逐张图做测试时优化。都有效，但都在治症状，代价是慢。文中的对比很直观：P2P 编一张 16.5 秒，MasaCtrl 20.3 秒，EditInfinity 更是 212 秒——这个量级进不了任何交互式修图界面。
方法的转折：问两遍，取差
EditMod 建在视觉自回归模型（VAR）上。这类模型从粗到细逐级预测：先出一张极低分辨率的「缩略图」token，再一级级往上加细节。原图能直接编码成这串多尺度 token，本身就是模型的一个合法中间状态。（顺带澄清：已有的 VAR 编辑方法照样在用反演和蒙版，不用它们是 EditMod 的选择，不是 VAR 自带的性质。）
它的招很朴素。在某一级上，让模型在完全相同的上下文下预测两次：一次条件是原图描述，一次是新指令。两次预测都含有模型对「这张图接下来该长什么样」的共同判断，而它们的差把共同判断抵消了，剩下的就是这条指令引起的位移。把位移当残差加回原图 token，逐级推。
落地分三段：最粗的几级完全不动，布局因此锁死；中间几级施加差分；最细的几级放开，让模型自由采样纹理——毕竟狼毛不是从狗毛上加个偏移量能长出来的。
结果是保真这一侧领先：PIE-Bench 上 CLIP-I 0.9120、LPIPS 0.2212。两个指标都在量「和原图有多像」，方向相反：CLIP-I 越高越像，LPIPS 越低越像。文本对齐 CLIP-T 0.3096 保持在有竞争力的位置。速度是单卡 A100、1K 图端到端 1.57 秒，不需要逐图预处理——重点不是比 212 秒快多少倍，而是跨过了「点一下要不要等」的阈值。
这东西可能落到哪儿
最直接的是相册和手机修图的即时编辑。一键换背景、换天空之所以只能做窄任务，很大程度就是通用编辑模型不敢上——用户自己拍的照片被改坏一点点就会被察觉。把改动量单独建模、粗尺度锁死，正对应「别的地方一个像素都别动」这个产品要求。
往专业侧走，「差分」这个中间量是可暴露的。今天的 AI 修图一次性给结果，只能接受或重来；如果编辑被表示成一份可缩放的位移，它天然能做成带强度滑杆的图层：改到 60% 什么样、局部调弱什么样，都变成可操作的东西。
需要打问号的地方
第一，保真度指标偏心。CLIP-I 和 LPIPS 都奖励「改得少」，什么都不改的方法能把这两项刷满；而论文的文本对齐只是「有竞争力」而非领先。这类残差方法最该被追问的，就是它在大幅度编辑上会不会缩手。
第二，位移假设的适用范围。「共同响应会相减抵消」对换材质、换物种、改颜色这类原地替换是合理的；但改姿态、改视角、增删物体动的是布局，而布局恰恰被粗尺度锁死了。
第三，那两个尺度阈值是手调的，跨图像跨指令是否稳定还没有答案——这决定它能不能当通用组件用。
— Fang et al., Model the Edit, Not the Image: Visual Autoregressive Editing from a Source-Centric Perspective, arXiv:2608.09057