Resumo Técnico: CharTide

1. O Problema (Problem Statement)

A tarefa de geração de código a partir de gráficos (Chart-to-Code) exige que Modelos de Linguagem de Visão (VLMs) possuam uma precisão visual extrema e correção sintática rigorosa. Diferente da compreensão de gráficos genérica, esta tarefa requer a engenharia reversa de sinais visuais densos (valores numéricos contínuos e estilos visuais precisos) em código de plotagem executável (como Matplotlib ou Seaborn).

Os autores identificam dois gargalos principais nos métodos atuais:

• Platô de SFT (Supervised Fine-Tuning): O simples aumento do volume de dados homogêneos (pares gráfico-código) não funciona bem. Isso ocorre porque o código de plotagem contém muito "boilerplate" (sintaxe repetitiva), o que dilui a supervisão sobre os atributos visuais reais, levando o modelo a memorizar templates em vez de aprender a percepção visual fina.
• Limitações de RL (Reinforcement Learning): As estratégias de RL atuais utilizam pontuações subjetivas de outros VLMs (VLM-as-a-Judge) ou regras heurísticas rígidas, que são instáveis, ruidosas e não verificáveis de forma objetiva.

2. Metodologia (Methodology)

O CharTide propõe uma abordagem centrada em dados dividida em duas etapas principais:

A. Tri-Perspective Decomposed SFT (SFT Descomposto em Três Perspectivas)

Para quebrar a homogeneidade dos dados, o framework decompõe o treinamento em três fluxos de dados ortogonais, totalizando cerca de 2 milhões de amostras:

1. Visual Perception Stream (Gráfico $\rightarrow$ Legenda): Foca em alinhar características visuais com descrições textuais densas, fortalecendo a percepção visual.
2. Code Logic Stream (Legenda $\rightarrow$ Código): Treina o modelo para gerar código a partir de texto puro (sem imagem), isolando o aprendizado da lógica de programação e sintaxe do ruído visual.
3. Modality Fusion Stream (Gráfico $\rightarrow$ Código): Estabelece a capacidade de ponta a ponta. Um diferencial crucial aqui é que o código gerado é pareado com a sua própria imagem renderizada (em vez da imagem original), garantindo uma correspondência pixel a pixel perfeita e eliminando discrepâncias de ruído.

B. Inquiry-Driven RL (RL Baseado em Inquérito)

Em vez de usar pontuações subjetivas, o CharTide reformula o alinhamento como um problema de verificação de fatos.

• O Inspetor (Inspector): Utiliza um modelo congelado para realizar tarefas de QA (Question Answering) atômicas sobre o gráfico gerado.
• Recompensa de Consistência Semântica ($r_{QA}$): O modelo recebe uma recompensa baseada na taxa de acerto das respostas às perguntas (ex: "Qual é o valor no eixo X?", "A legenda é vermelha?"). Isso garante que a informação numérica e semântica seja preservada.
• Recompensa de Consistência Visual ($r_{vis}$): Utiliza o encoder WebSSL-1B para medir a similaridade estrutural entre o gráfico original e o gerado, garantindo fidelidade ao nível de pixels e evitando o colapso estrutural.
• Otimização: Utiliza o algoritmo GRPO (Group Relative Policy Optimization) para maximizar essas recompensas objetivas.

3. Principais Contribuições (Key Contributions)

1. Estratégia de SFT Descomposta: Demonstrou que decompor o treinamento em percepção, lógica e fusão permite que modelos menores (7B) superem modelos massivos (235B).
2. Novo Paradigma de RL: Introduziu o conceito de "Inquiry-Driven RL", substituindo o julgamento subjetivo de VLMs por uma verificação determinística e baseada em fatos (QA).
3. Dataset Curado: Construção de um pipeline de dados de alta qualidade que utiliza filtragem de consistência para garantir que o modelo aprenda apenas de exemplos corretos.

4. Resultados (Results)

Os experimentos realizados nos benchmarks ChartMimic, Plot2Code e ChartX mostram que:

• SOTA em Open-Source: O CharTide-7B/8B supera todos os modelos de código aberto de referência (como MSRL e ChartMaster).
• Competitividade com Modelos Proprietários: O modelo supera o GPT-4o em várias métricas e apresenta desempenho comparável ao GPT-5 (conforme avaliado nos testes do artigo).
• Robustez: O modelo demonstra alta taxa de execução de código e excelente fidelidade visual, mesmo em gráficos complexos (como gráficos de dispersão densos ou diagramas de vetores).
• Ausência de Reward Hacking: Análises mostram que o modelo não está apenas "trapaceando" para gerar código que compila, mas está efetivamente melhorando a qualidade visual de cada amostra executável.

5. Significância (Significance)

O CharTide representa um avanço importante para a área de Agentes Multimodais. Ao provar que a qualidade e a estrutura dos dados são mais importantes do que o simples escalonamento de volume, o trabalho oferece um roteiro para o desenvolvimento de modelos de código que são visualmente precisos e logicamente rigorosos. Isso tem aplicações diretas em automação de front-end, análise de dados automatizada e ferramentas de visualização científica de alta fidelidade.