北京大学团队的论文《Taming I2V models for Image HOI Editing: A Cognitive Benchmark and Agentic Self-Correcting Framework》被 ICML 2026 接收。它聚焦一类更难的图像编辑任务——人与物体的交互（Human-Object Interaction, HOI）编辑，并提出首个层级化的评测基准 HOI-Edit 与一个自纠错框架 SCPE，数据集与代码均已开源。
已知事实
- HOI-Edit 基准：面向”人-物交互”编辑的评测基准，覆盖三个认知层级——基础交互编辑、上下文空间理解、因果物理推理；配套 HOI-Eval 指标用于验证人物交互是否正确。它把编辑从”改外观”，推向”理解人和物怎么互动、在空间与物理上是否合理”。
- SCPE 自纠错框架：一个智能体式框架，用于优化 I2V（图像到视频）模型的人-物交互编辑能力。其思路是利用真实生成的视频作为反馈来源，定位模型实际的失败位置进行纠错，并把单个案例的经验沉淀为跨样本的策略——不仅改好当前这一张，也提升后续复杂交互编辑的稳定性。
- 效果：据报道，L1 交互分数提升约 22%。
- 开放：数据集与代码已开源。
横向与纵向定位
横向看，多数图像编辑方法擅长”改外观”——换颜色、换背景、替换物体，但在”人和物如何互动”这类需要理解空间关系与物理因果的编辑上容易出错（比如手该怎么握住杯子、物体受力后的姿态）。HOI-Edit 把这块短板显式地拆成三个认知层级来评测，SCPE 则用”生成一段视频、从过程里诊断哪里错了、再迭代”的思路来纠错——把”看结果”变成”看过程”，是相对新颖的自纠错路径。
纵向看，AI 图像编辑正从”像不像、好不好看”，走向”合不合理、懂不懂交互”。早期关注生成质量与外观可控，如今开始触及更高阶的认知——空间理解与因果物理推理。这条线的意义在于，图像编辑要真正进入专业创作（插画、影视分镜、广告），”人物与物体的交互是否自然合理”是绕不过去的一关，而这正是此前生成与编辑模型的薄弱处。
⚠️ 待核实：L1 交互分数提升约 22%、三认知层级的具体划分与指标口径，以论文原文与开源仓库为准；参与团队的院系表述（北京大学计算机学院／数据所／王选计算机研究所等）以论文署名为准；各能力实际效果需以真实编辑任务检验。
北大提出的 HOI-Edit 基准与 SCPE 自纠错框架，把图像编辑从”改外观”推向”理解人-物交互的空间与因果合理性”，并以”从生成视频过程中诊断纠错”的思路提升交互编辑质量；作为全开源的基准与方法，它为插画、影视、广告等对交互合理性有要求的视觉创作与研究，提供了可复现的评测与改进工具，其实际效果仍需实测。
参考来源：
- arXiv:2606.19073（论文）：https://arxiv.org/abs/2606.19073
- 北京大学计算机学院（ICML 2026 入选）：https://dse.pku.edu.cn/news/xwdt/050402028270466b9828d461074079d0.htm
- 机器之心 / 腾讯新闻（技术解读）：https://news.qq.com/rain/a/20260710A0912500
- 网易科技（HOI-Edit / SCPE）：https://www.163.com/dy/article/L1GGB6U30511AQHO.html