CanvasAgent：通过视觉工具编排实现复杂图像创建与编辑

论文提出CanvasCraft数据集与CanvasAgent多模态智能体，面向需要合成、目标定位、分割、局部编辑、合成、文字读取和增强等多步骤图像工作流。数据集含14万条可执行轨迹与1万条强化学习任务规格，模型先经监督微调学习动作轨迹，再以结合结果和过程信号的GRPO优化，并在交互中检查中间结果、追踪视觉资产、动态调整工具选择。