VectorGym: A Multitask Benchmark for SVG Code Generation, Sketching, and Editing

إليك ملخص تقني مفصل لورقة البحث بعنوان "VectorGym: معيار متعدد المهام لتوليد وتخطيط وتحرير أكواد SVG".

1. بيان المشكلة

تُستخدم الرسوميات المتجهة القابلة للتوسع (SVG) على نطاق واسع في تصميم الويب والوسائط الرقمية لأنها تعمل كأكواد قابلة للتنفيذ (تكشف عن الهندسة، والنمط، والبنية) بدلاً من كونها صوراً نقطية ثابتة. وعلى الرغم من التقدم السريع في نماذج الرؤية واللغة (VLMs)، إلا أن المجال يفتقر إلى معيار صارم وواقعي لتوليد وتعديل رسومات SVG.

تشمل القيود الرئيسية للنهج الحالية ما يلي:

• البيانات الاصطناعية: تعتمد معظم المعايلات السابقة على تعديلات برمجية اصطناعية أو أيقونات بسيطة، مما يفشل في استيعاب تعقيد سير عمل التصميم في العالم الحقيقي.
• النطاق المحدود: نادراً ما تغطي مجموعات البيانات الحالية الطيف الكامل للمهام، مثل تحويل المخططات اليدوية الخشنة إلى أكواد، أو إجراء تعديلات معقدة متعددة الخطوات، أو توليد أوصاف تفصيلية من الأكواد.
• الافتقار إلى الحقيقة الأرضية البشرية: تفتقر معظم مجموعات البيانات إلى التوثيقات البشرية "المعيارية" التي تلتقط القصد الدلالي، ومنطق التصميم، واستخدام العناصر الأولية المعقدة (مثل التدرجات، والنصوص، والرسوم المتحركة).
• فجوات التقييم: تفشل المقاييس التقليدية (مثل MSE النقطي، وCLIP) في تقييم الصلاحية الهيكلية، والصحة الدلالية، والقدرة على اتباع التعليمات المطلوبة لتوليد الأكواد المتجهة.

2. المنهجية

أ. معيار VectorGym

قدم المؤلفون VectorGym، وهو مجموعة شاملة من أربع مهام مبنية من رسومات SVG متنوعة وحقيقية مستمدة من GitHub (عبر مجموعة بيانات SVG-Stack). يتميز المعيار بـ توثيقات بشرية خبيرة لجميع المهام، مما يضمن حقيقة أرضية عالية الجودة.

المهام الأربع الأساسية هي:

1. VG-Sketch (من مخطط إلى SVG): تحويل المخططات النقطية المرسومة يدوياً والخشنة (ذات الخطوط غير المثالية) إلى كود SVG نظيف وقابل للتوسع. هذا يختبر التفكير المكاني والتجريد.
2. VG-Edit (تحرير SVG): تطبيق تعليمات باللغة الطبيعية على رسومات SVG موجودة لإجراء تعديلات معقدة ومتعددة الخطوات (مثل تغيير أنواع المخططات، أو تعديل النصوص، أو إضافة عناصر أولية جديدة). هذا يختبر الفهم الهيكلي والتلاعب الدلالي.
3. VG-Text (من نص إلى SVG): توليد كود SVG كامل من أوصاف باللغة الطبيعية، تتراوح من الأشكال البسيطة إلى الرسوم التوضيحية المعقدة.
4. VG-Cap (وصف SVG): عكس مهمة Text2SVG؛ وهي توليد أوصاف دقيقة باللغة الطبيعية من كود SVG، مما يختبر فهم الكود والفهم البصري.

بناء مجموعة البيانات:

• المصدر: 7,000 عينة مرشحة تم تصفيتها من SVG-Stack (أيقونات، مخططات، خطوط، إيموجي).
• التصفية: تم تطبيق قيود على طول الرموز (2k–8k رمز)، وعتبة الإنتروبيا اللونية، والفحص البصري البشري.
• التوثيق: قام أكثر من 20 موثقاً خبيراً (مصممين، مبرمجين) بإنشاء مخططات، وتعديلات معقدة، وأوصاف تفصيلية. صُممت التعديلات خصيصاً لتكون غير بديهية، وتتطلب فهماً دلالياً (مثل "استبدل الكرة بمثلث وغير النص").

ب. مقاييس التقييم: النموذج اللغوي البصري كحكم (VLM-as-a-Judge)

إدراكاً منهم بأن المقاييس التقليدية (MSE, LPIPS) غير كافية للأكواد المتجهة، اقترح المؤلفون مقياس VLM-as-a-Judge (VLMAJ).

• الطريقة: تقوم مجموعة من نماذج الرؤية واللغة (VLMs) بتقييم المخرجات المولدة مقابل الحقيقة الأرضية بناءً على معايير محددة (الدقة البصرية، المواءمة الدلالية، وصلاحية الكود).
• التحقق: أجرى المؤلفون دراسات ارتباط بين درجات VLMs وتقييمات الخبراء البشريين. تم تحديد Gemini 3 Pro كأفضل حكم لمهام Sketch وCaption وText، بينما كان GPT-5.1 الأفضل لمهمة Editing.
• الدرجة الإجمالية: يتم حساب درجة موحدة عبر متوسط درجات المهام المحددة (VLM Judge, DINO, inverted MSE/LPIPS, ROUGE/BGE-M3)، وكلها مُدرجة بمقياس [0, 100].

ج. طريقة التدريب: التعلم التعزيزي متعدد المهام

اقترح المؤلفون نهج تعلم تعزيزي لتدريب نموذج Qwen3-VL 8B على المهام الأربع في وقت واحد.

• الإطار: التعلم من التغذية الراجعة للرندرة (RLRF) باستخدام GRPO (تحسين السياسة النسبية للمجموعات).
• إشارة المكافأة:
  • بالنسبة للتوليد/التحرير (Sketch, Text, Edit): يخرج النموذج كود SVG، الذي يتم رندرتُه (Rendering) إلى صور نقطية. تُحسب المكافآت بناءً على التشابه الإدراكي (LPIPS, DINO) والمسافة النقطية (MSE) بين التنبؤ المرندَر والحقيقة الأرضية.
  • بالنسبة للوصف (Captioning): تعتمد المكافآت على تشابه التضمين (BGE-M3) بين النص المتنبأ به والنص الحقيقي.
• التعلم المنهجي (Curriculum Learning): لتحسين الاستقرار، يتم فرز العينات حسب طول الاستجابة (كمؤشر على الصعوبة) ضمن كل مهمة، مما يسمح للنموذج بالتقدم من الأمثلة البسيطة إلى المعقدة.
• الكفاءة: تم تدريب النموذج على عقدة واحدة (8x H200 GPUs) لمدة 600 دورة (~يومين)، محققاً نتائج هي الأفضل في فئتها (SOTA) بين النماذج مفتوحة المصدر.

3. المساهمات الرئيسية

1. معيار VectorGym: أول معيار متعدد المهام لـ SVG يغطي Sketch2SVG، والتحرير المعقد، وText2SVG، والوصف (Captioning)، ويتميز بـ توثيقات بشرية ذهبية وبيانات واقعية من "العالم الحقيقي".
2. مهام مبتكرة: تقديم مهمة Sketch2SVG وأول مجموعة بيانات لـ تعديلات SVG المعقدة والمؤلفة بشرياً والتي تتطلب تفكيراً دلالياً وتحويلات متعددة الخطوات.
3. استراتيجية تدريب RL: طريقة تعلم تعزيزي متعدد المهام باستخدام مكافآت قائمة على الرندرة وتعلم منهجي تتيح لنموذج صغير بحجم 8B التفوق على النماذج الأكبر بكثير (سواء المملوكة أو مفتوحة المصدر).
4. VLM-as-a-Judge: بروتوكول تقييم تم التحقق منه لـ SVG يربط بقوة مع الحكم البشري، مما يعالج نقص المقاييس الموثوقة للأكواد المتجهة.

4. النتائج

قيم المؤلفون نماذج VLMs الرائدة (سواء المملوكة أو مفتوحة المصدر) على VectorGym.

• التسلسل الهرمي للأداء:
  • الرواد من النماذج المملوكة: حقق Gemini 3 Pro أعلى درجة إجمالية (73.17)، يليه GPT-5.1 (71.36).
  • الاختراق في النماذج مفتوحة المصدر: حقق نموذجهم المضبط Qwen3-VL 8B Gym درجة إجمالية قدرها 66.05.
    • لقد تجاوز GPT-4o (64.93).
    • وتفوق بشكل كبير على النموذج الأكبر بكثير Qwen3-VL 235B (62.32).
    • كما طابق أو تجاوز GPT-4o في مهام محددة مثل Sketch2SVG (70.72 مقابل 69.55) وSVG Editing (82.81 مقابل 82.35).
• صعوبة المهام: كشفت الاختبارات عن تسلسل هرمي واضح للصعوبة:
  1. Text2SVG (الأسهل)
  2. SVG Editing
  3. Sketch2SVG
  4. SVG Captioning (الأصعب)
• التحليل النوعي: أظهر نموذج 8B المدرب بالتعلم التعزيزي قدرة فائقة على اتباع تعليمات التحرير المعقدة متعددة الخطوات والحفاظ على الهياكل الطوبولوجية في المخططات مقارنة بالنماذج الأساسية والنماذج المرجعية الأكبر.

5. الأهمية

• الارتقاء بتوليد الأكواد البصرية: يضع VectorGym معياراً صارماً لتقييم النماذج في مهام "الرؤية-إلى-الكود"، متجاوزاً مجرد توليد الصور إلى الرسوميات المتجهة المهيكلة والقابلة للتحرير.
• الكفاءة مقابل الحجم: تظهر النتائج أن النماذج المتخصصة والأصغر حجماً التي يتم تدريبها باستخدام تعلم تعزيزي عالي الجودة ومحدد للمهام وتعلم منهجي، يمكنها التفوق على النماذج الضخمة العامة في المجالات المتخصصة مثل توليد SVG.
• القابلية للتطبيق في العالم الحقيقي: من خلال التركيز على التعديلات المعقدة والمخططات المؤلفة بشرياً، يتماشى المعيار عن كثب مع سير عمل التصميم الاحترافي، مما يوفر بيئة اختبار واقعية للأدوات الموجهة لمساعدة المصممين.
• العلم المفتوح: المعيار والنماذج المدربة متاحة للجمهور على HuggingFace، مما يعزز إمكانية إعادة الإنتاج ومزيد من الأبحاث في مجال الرسوميات المتجهة.

في الختام، يسد VectorGym فجوة حرجة في مشهد أبحاث الذكاء الاصطناعي من خلال توفير معيار مليء بالتحديات وموثق بشرياً لمعالجة رسومات SVG، مثبتاً أن التعلم التعزيزي المستهدف يمكن أن يطلق العنان لأداء رائد في توليد الأكواد البصرية حتى مع النماذج ذات الكفاءة في عدد المعلمات.