RULER: Instance-aware Rubric Rewards for SVG Generation
Aggiunta all'archivio di AIChronos il (numero del 23 settembre 2026 ricostruito)· fonte del · Hangyu Ran, Yuhao Zheng, Yingying Zhang, Kevin Qinghong Lin, Han Peng (inclusionAI)
Il lavoro RULER affronta la sfida di generare codice SVG da istruzioni naturali in assenza di un ground truth visivo assoluto. L'autore introduce un sistema basato su rubriche che utilizza un Vision-Language Model (VLM) come giudice per valutare i rollouts renderizzati lungo sei assi semantici, visivi e stilistici. Questo approccio converte le istruzione testuali in una rubrica 'instance-aware', fornendo segnali di reward granulari ottimizzati tramite Group Relative Policy Optimization senza bisogno di dati etichettati da umani o coppie SVG-ground truth.
- Le metriche scalari tradizionali (CLIP, Aesthetic) trasferiscono male sul contenuto vettoriale stilizzato e causano reward hacking in RL.
- RULER utilizza un VLM per valutare item-by-item i rollouts basandosi su una rubrica derivata esclusivamente dal testo dell'istruzione.
- Il metodo supera gli specialisti dedicati SVG ed eguaglia modelli più grandi come DeepSeek-V3 sui benchmark MMSVG-Illustration e MMSVG-Icon.
- Le ablations identificano il design della rubrica come la leva attiva per migliorare l'RL nella generazione di SVG open-ended.
- Il sistema non richiede paired SVG ground truth né human preference labels, riducendo i costi di annotazione.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti locali, RULER offre un framework per ottimizzare policy in task generativi open-ended senza dipendere da dataset costosi o modelli proprietari enormi. La capacità di derivare segnali di reward robusti direttamente dal testo dell'utente è cruciale per implementare sistemi autonomi affidabili che operano su domini specifici come la grafica vettoriale.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.