近年来，图像编辑模型取得了显著进展。一种常见的架构设计是将多模态大语言模型（MLLM）编码器与扩散解码器相结合，如Step1X-Edit和Qwen-Image-Edit等系统所示，其中MLLM同时编码参考图像和编辑指令，但在训练过程中保持冻结状态。在本工作中，我们证明了激活MLLM的推理能力，能够进一步推动图像编辑模型的性能边界。具体而言，我们探索了两种推理机制——“思考”（thinking）与“反思”（reflection），以提升对指令的理解能力与编辑的准确性。基于此，我们提出了一种“思考-编辑-反思”循环框架：其中，“思考”机制利用MLLM所具备的世界知识，解析抽象的编辑指令；而“反思”机制则对编辑结果进行评估，自动纠正意外的修改操作，并判断是否达到停止迭代的条件。大量实验表明，所提出的推理方法显著提升了模型性能——在以Step1X-Edit（ReasonEdit-S）的DiT模型为初始化基础时，ImgEdit、GEdit和Kris三项指标分别提升4.3%、4.7%和8.2%；当与Qwen-Image-Edit结合时，ReasonEdit-Q在GEdit和Kris两个基准上也优于此前所有开源方法。