开发者Sai近日发布开源项目Polox AI的新版本，这是一个面向图像与视频处理方向的AI Agent工具。本次更新的核心是优化图像内文字编辑能力：项目引入大语言模型（LLM）自动检测图片中的文字坐标，并在画布上以序号标记，与对应的文本编辑框绑定显示。用户可直接通过序号定位需要修改的文字内容，无需手动框选文字区域。这一交互设计对于文字较多的图片（如海报、截图、设计稿等）尤为实用，可显著降低逐个查找和编辑文字的操作成本。项目代码托管在GitHub平台，以开源方式发布，开发者可直接访问仓库获取代码并参与迭代。作者Sai在V2EX开发者社区分享了此次版本更新信息，并向社区用户征求使用反馈。从产品形态看，Polox AI属于AI Agent在图像编辑垂直场景的具体落地，尝试将LLM的语义理解能力与画布交互相结合。以往修改图片内文字通常依赖Photoshop等专业软件手动操作，或借助通用AI绘图工具整体重绘，而该项目聚焦文字精准编辑这一细分痛点，以坐标检测加序号映射的方式提供了解决方案。
事件分析
技术看点方面，利用LLM进行文字坐标检测是多模态能力在图像编辑场景的典型应用，序号映射的交互方式降低了精准编辑的使用门槛，与Gemini图像编辑、Canva Magic Edit等产品在文本级编辑思路上有相通之处。产业层面，AI图像编辑正从整体生成走向局部精准控制，文字编辑长期是扩散模型的薄弱环节，LLM辅助定位提供了互补的技术路径。作为个人开发者的开源项目，其优势在于快速验证垂直场景需求，但后续能否与主流绘图模型生态整合、社区活跃度与维护的持续性，将决定项目能否长期存活。若该交互模式被验证有效，可能被更大的图像编辑产品借鉴吸收。
核心观点：AI图像编辑正从整体重绘走向精准控制：让LLM负责找字、人类专注改字，垂直分工可能比端到端生成更实用。
原文链接：V2EX 分享发现
