Kíkọ́ drawing AI láti wo page tí ó ń yà

Yíyàwòrán pẹ̀lú ojú rẹ tí o ti pa

Béèrè lọ́wọ́ ọ̀kan nínú AI àwòṣe òní kí ó yàwòrán fún ọ, ní abẹ́ hood ohun méjì tó yàtọ̀ gan-an lè ṣẹlẹ̀. Àwọn image generators tá a mọ̀ — àwọn tó lè dá fọ́tò láti sentence kan — ń paint pixels taara, wọ́n sì lè rí canvas bí wọ́n ṣe ń ṣiṣẹ́. Ṣùgbọ́n irú drawing míì tún wà, tó dakẹ́ sí i, níbi tí àwòṣe kò paint rárá. Ó kọ instruction: fa circle síbí, line síbẹ̀, fill shape yìí pẹ̀lú blue. Instructions wọ̀nyí jẹ́ code — Scalable Vector Graphics, tàbí SVG, kan náà tó wà lẹ́yìn ọ̀pọ̀ icon àti logo lórí web — àǹfààní rẹ̀ sì gidi: èsì kì í ṣe fixed grid of pixels, bí kò ṣe set of shapes tí o lè rescale, recolour, àti edit léraléra láì di blurry.

Ìṣòro ni pé, títí di laipẹ́, àwòṣe tó ń kọ drawing code yìí máa ń ṣe e ní afọ́jú. Ó ń emit gbogbo sequence instruction lẹ́ẹ̀kan — circle, line, fill — láì render wọn rí láti wo ohun tí ó ti ṣe. Foju inú wo pé o ń sketch oju ènìyàn pẹ̀lú ojú rẹ tí o pa: ó ṣeé ṣe kí o fi ojú kan sí ibi tó sún mọ́ ibi ojú yẹ, ṣùgbọ́n o kò lè mọ pé ojú kejì ti dé ẹ̀rẹ̀kẹ́, tàbí pé shape irun ti bo imu. Bíi bẹ́ẹ̀ ni àwòṣe wọ̀nyí ṣe ń ṣiṣẹ́, ìdí nìyẹn tí wọ́n fi lè kọ code tó valid patapata, ṣùgbọ́n tó jẹ́ visual mess.

ẹgbẹ́ kan tí Guotao Liang ṣáájú ti ṣe ohun tó dà bí ẹni pé obvious gan-an: wọ́n jẹ́ kí àwòṣe náà ṣí ojú. Method wọn, Render-in-the-Loop, ń render drawing tí kò tíì parí lẹ́yìn step kọọkan, ó sì fi image náà padà fún àwòṣe ṣáájú stroke tó tẹ̀ lé e. Apá tó interesting gidi kì í ṣe pé èyí ṣe iranlọwọ — ó jẹ́ ohun tí wọ́n ní láti ṣe kí iranlọwọ náà lè ṣiṣẹ́ rárá.

Ohun tí àwọn olùkọ̀wé ṣe

ìṣòro tí àwọn olùkọ̀wé fẹ́ fix ni blind drawing náà fúnra rẹ̀. Existing àwòṣe wo SVG writing gẹ́gẹ́ bí pure text iṣẹ́-ṣiṣe: predict chunk code tó tẹ̀ lé e láti code tó ti wà, láì render rẹ̀. Èyí ń fi “ojú” alágbára — vision encoder — tí modern multimodal àwòṣe ti ní, jókòó lásán. Render-in-the-Loop tún iṣẹ́ náà ṣètò gẹ́gẹ́ bí step-by-step visual ìlànà. Lẹ́yìn fragment drawing code kọọkan, partial SVG ni a render sí image, a sì feed rẹ̀ padà sí àwòṣe gẹ́gẹ́ bí picture, kí fragment tó tẹ̀ lé e lè jẹ́ chosen nígbà tí àwòṣe ń wo canvas tó wà báyìí.

Finding àkọ́kọ́ wọn jẹ́ cautionary, wọ́n sì sọ ó ní kedere: fífi loop yìí mọ́ existing off-the-shelf àwòṣe lasan kò ṣiṣẹ́. Nígbà tí wọ́n feed intermediate renders sí lágbára gbogbogbò àwòṣe láìsí training pàtó, quality kò mú sunwọ̀n sí i — ó burú sí i jálẹ̀. àwòṣe tí a kò kọ́ láti lo ojú rẹ fún iṣẹ́ yìí kò lojiji mọ bí a ṣe ń lo wọn.

Nítorí náà ọ̀pọ̀ iṣẹ́ náà wà nínú teaching. Wọ́n tún training dátà kọ́ kí drawing kọọkan yà sí small, visually meaningful steps — complex shapes ni wọ́n split sí simpler pieces kí ohun tuntun kan lè wà láti rí ní stage kọọkan — lẹ́yìn náà wọ́n fine-tune open àwòṣe pẹ̀lú eight billion parameters (tí a kọ lórí Qwen3-VL) lórí step-by-step sequences wọ̀nyí. Wọ́n pe e ní Visual Self-Feedback. Wọ́n tún fi ọ̀nà iṣẹ́ kejì kún drawing àkókò, Render-and-Verify: ṣáájú kí wọ́n accept stroke tuntun, àwòṣe render rẹ̀, ó sì check bóyá ó yí picture padà gidi, tàbí ó kan tún ohun tó ṣẹ̀ṣẹ̀ ṣe ṣe. Stroke tí kò fi nǹkan kún un ni wọ́n discard; nígbà tí kò sí nǹkan míì tó ń ran lọ́wọ́, wọ́n prompt àwòṣe láti stop. Ohun tó ṣe akiyesi ni pé gbogbo èyí ṣiṣẹ́ lórí dataset tó kéré — tó 850,000 examples, kere ju half dátà ti rival kan, àti fraction kékeré ti dátà rival míì.

Ohun tí wọ́n rí

• Nígbà tí a train rẹ̀ báyìí, àwòṣe náà yàwòrán dáadáa ju blind counterpart rẹ̀ lọ — pàápàá ní ìkùnà ọ̀ràn, níbi tí blind àwòṣe fi ojú sí ẹ̀rẹ̀kẹ́, tàbí kọ requested bar chart, tó sì ṣẹ̀da generic monitor dípò rẹ̀.
• Lórí standard benchmark (MMSVGBench), ọ̀nà náà competitive pẹ̀lú lágbára rivals, ó sì sún díẹ̀ síwájú lórí measures kan — pẹlu OmniSVG, tí a train lórí ju dátà rẹ̀ lẹ́mejì lọ, àti InternSVG, tí a train lórí tó dátà 20×.
• Margins náà kéré. Lórí icon set, fún example, pàtàkì image-quality score rẹ̀ jẹ́ 127.6 sí best rival 128.8, prompt-matching score rẹ̀ 0.293 sí 0.291 — gidi, consistent, ṣùgbọ́n slender.
• Added pieces méjèèjì wúlò: pa special training tàbí drawing-time verification, numbers ṣubú measurably. Verification step pàápàá ń dá àwòṣe dúró kúrò nínú redraw ohun kan náà léraléra.
• èsì tí àwọn olùkọ̀wé fúnra wọn emphasize ni efficiency — dé ibi yìí pẹ̀lú training dátà tó kéré gan-an ju leaders lọ.

Ohun tí èyí kò fi ẹ̀rí múlẹ̀

• Kò fi hàn pé jíjẹ́ kí àwòṣe “rí” jẹ́ free win. Ní tòótọ́, ìdánwò ìwé ìwádìí fúnra rẹ̀ fi hàn pé visual feedback láìsí retraining mú nǹkan burú sí i. Gain wá láti retraining, kì í ṣe ojú nìkan.
• Kò establish large tàbí decisive lead. Lórí ọ̀pọ̀ score ọ̀nà náà neck-and-neck pẹ̀lú rivals; “ó ṣẹ́gun àwòṣe tí a train lórí 20× dátà” jẹ́ true, ṣùgbọ́n ní nudges lórí proxy metrics, lórí benchmark kan.
• Kò demonstrate gbogbogbò artistic ability. Èyí jẹ́ 8B research àwòṣe tí ń yà icons àti simple illustrations ní small fixed resolution (224×224 pixels), kì í ṣe general-purpose designer.
• ìfiwéra pẹ̀lú big gbogbogbò àwòṣe (GPT-5) kì í ṣe apples-to-apples: àwòṣe yẹn kì í ṣe built tàbí tuned fún narrow code-drawing iṣẹ́-ṣiṣe yìí, nítorí náà beating it here sọ díẹ̀ nípa àwòṣe méjèèjì ní gbogbogbò.
• Kò wá free. Rendering àti rereading canvas ní step kọọkan mú generation lọra ju emitting code ní blind pass kan — cost tí àwọn olùkọ̀wé acknowledge.

Báwo ni ẹ̀rí ṣe lágbára tó?

• Solid níbi tí controlled ìfiwéra wà lórí own terms. Ablations mọ́: yọ training tàbí verification, numbers ṣubú — nítorí náà ingredients méjèèjì ń ṣe iṣẹ́ tí àwọn olùkọ̀wé claim.
• Ó honest nípa surprise tirẹ̀. Finding pé naive visual feedback ń ṣe ipalara ni wọ́n ròyìn, kì í ṣe buried, ó sì jẹ́ apá tó interesting jù lọ — correction tó wúlò sí intuition pé input tó pọ̀ máa ń dara nigbagbogbo.
• Thin níbi tí leaderboard claim ti wà. Wins lórí larger-data rivals kéré, wọ́n sì wà lórí benchmark kan ṣoṣo tí òǹkọ̀wé ti ọ̀kan lára rivals náà kọ́. Small margins lórí proxy metrics lórí ìdánwò set kan jẹ́ suggestive, kì í ṣe settled.
• A kò ìdánwò rẹ̀ ní scale tàbí wild. Gbogbo nǹkan níbí jẹ́ icons àti simple illustrations ní low resolution. Bóyá idea kan náà ṣiṣẹ́ fún complex, high-resolution tàbí ayé gidi àpẹrẹ iṣẹ́ jẹ́ future iṣẹ́ — àwọn olùkọ̀wé fúnra wọn sọ bẹ́ẹ̀.

Kí nìdí tí ó fi ṣe pàtàkì?

Idea tó wà lárin ìwé ìwádìí yìí rọrùn tó bẹ́ẹ̀ tó fi fẹ́ jẹ́ embarrassing, ó sì gbooro ju drawing lọ. Tí program kan bá ń generate nǹkan nípa writing code — web page, chart, diagram, 3D scene — ó lè kọ gbogbo nǹkan ní blind, kí ó sì retí ire, tàbí render bí ó ṣe ń lọ, kí ó correct course. Closing that loop jẹ́ second nature fún ènìyàn; a máa ń wo page léraléra. Fún àwòṣe wọ̀nyí, ó jẹ́ move tuntun gan-an.

Ohun tó mú ìwé ìwádìí yẹ kí a ka ni asterisk tó fi mọ́ idea náà. Fífún àwòṣe ní ọ̀nà láti rí kì í dọ́gba pẹ̀lú teaching rẹ̀ láti wo. A gbọ́dọ̀ train “ojú” náà, lẹ́yìn náà ni loop bẹ̀rẹ̀ sí í pay off — àti paapaa nígbà yẹn, payoff gidi ṣùgbọ́n measured: draughtsman tó steady sí i, kì í ṣe artist irú tuntun. Fún ẹni tó ń kọ irinṣẹ́ tí ó yí description padà sí editable graphic — irú nǹkan tó wà lẹ́yìn app icons àti illustrations — quiet practical lesson ni ohun tó wúlò. Win níbí wá láti cheaper, smarter training, kì í ṣe sí i dátà. Èyí jẹ́ lesson tó dára ju kókó míì lórí leaderboard lọ.

Àkótán kedere

Language àwòṣe tó generate vector graphics — editable, rescalable code lẹ́yìn ọ̀pọ̀ web icons àti logos — ti máa ń ṣe e “blind,” wọ́n ń kọ gbogbo drawing commands láì rí èsì. ẹgbẹ́ tí Guotao Liang ṣáájú propose Render-in-the-Loop: render half-finished drawing lẹ́yìn step kọọkan, feed rẹ̀ padà, kí àwòṣe yà stroke tó tẹ̀ lé e nígbà tí ó ń wo canvas. Central honest àwárí wọn ni pé fífi èyí mọ́ existing àwòṣe nìkan mú un burú sí i; gain hàn lẹ́yìn retraining àwòṣe láti lo visual feedback, pẹ̀lú drawing-time check tó discard stroke tí kò yí nǹkan padà. Retrained 8B àwòṣe bá rivals mu tàbí sún díẹ̀ síwájú lórí standard benchmark, botilẹjẹpe rivals kan lo dátà tó pọ̀ dé 20× — èsì gidi, ṣùgbọ́n pẹ̀lú small margins lórí proxy scores fún icons àti simple illustrations ní low resolution. Takeaway tó yẹ ká pa mọ́ ni efficiency: rí iṣẹ́ rẹ dáadáa lè rọ́pò apá kan ti sheer dátà scale.

Àyẹ̀wò láìsí àṣejù

Ohun tí ìwé ìwádìí fi hàn: Retraining vector-graphics àwòṣe láti render, kí ó sì wo own half-finished drawing rẹ̀ step by step, ń fún èsì tó dára sí i, tó sì complete sí i ju blind drawing — competitive pẹ̀lú, tó sì sún díẹ̀ síwájú larger-data rivals lórí standard benchmark kan, pẹ̀lú training dátà tó kéré.

Ohun tó ṣeé gbà ṣùgbọ́n tí a kò fi ẹ̀rí múlẹ̀: Pé “rí iṣẹ́ rẹ” jẹ́ recipe tó gbooro tó dara ju scaling dátà; pé idea náà yóò ran complex, high-resolution tàbí ayé gidi graphics lọ́wọ́; pé small benchmark margins reflect difference tí ènìyàn yóò notice.

Ohun tí kò fi hàn: Pé visual feedback nìkan ń ran lọ́wọ́ (láìsí retraining ó burú sí i); pé lead lórí rivals tóbi tàbí decisive; general-purpose drawing ability; fair head-to-head pẹ̀lú gbogbogbò àwòṣe bí GPT-5, tí a kò build fún iṣẹ́-ṣiṣe yìí.

Main limitations: Benchmark kan, tí òǹkọ̀wé rival kan kópa nínú rẹ̀; small margins lórí proxy metrics; 8B àwòṣe, icons àti simple illustrations ní 224×224; generation lọra nítorí render-every-step loop.

Confidence wo ni gbogbogbò reader yẹ kí ó ní? Gíga pé closing the loop — rendering àti rereading bí o ṣe ń draw — ń ran lọ́wọ́ gidi, àti pé a gbọ́dọ̀ train rẹ̀, kì í ṣe kan switch it on. Low-to-moderate pé àwòṣe yìí decisively ṣẹ́gun rivals; ka “beats 20× the dátà” gẹ́gẹ́ bí gidi ṣùgbọ́n modest, single-benchmark èsì. Gíga lórí idea kan tó yẹ ká rántí: fún code tó ń draw, looking as you go dara ju drawing blind lọ.