VectorGym：用于SVG代码生成、草图绘制和编辑的多任务基准 VectorGym: A Multitask Benchmark for SVG Code Generation, Sketching, and Editing

方法步骤完整描述如下。第一，数据准备阶段：从SVG-Stack数据集提取7000个候选样本，应用多阶段过滤包括token长度约束2k到8k、颜色熵阈值大于0.55、随机子采样和人工视觉检查，获得6500个训练样本。从训练集选择100个样本作为验证集，从SVG-Stack测试集选择300个样本作为测试集。第二，人工标注阶段：与两家专业数据标注商合作，超过20名标注人员创建标注。对于VG-Sketch任务，标注人员提供手绘草图（纸笔绘制并拍照和数字绘图板绘制两种变体，每种包含彩色和黑白版本）和文本描述。对于VG-Edit任务，标注人员创建复杂编辑指令，禁止简单编辑如旋转、颜色变化、缩放，要求复杂编辑如路径修改、原语添加、参数调整、概念添加。第三，强化学习训练阶段：使用Qwen3-VL 8B Instruct模型作为基础，采用Reinforcement Learning from Rendering Feedback框架。对于Text-to-SVG、SVG Editing和Sketch-to-SVG任务，模型输出SVG代码，计算奖励时将预测和真实SVG渲染为光栅图像，评估感知相似性指标。对于SVG Captioning任务，奖励是预测和真实文本描述之间的嵌入相似性。第四，课程学习实现：将响应长度作为难度的代理指标，在每个任务内部按响应长度排序，然后按数据集频率比例采样构建小批次。第五，评估阶段：使用多个指标评估四个任务，计算整体VectorGym分数。

技术新颖性体现在多个方面。第一，首个Sketch2SVG任务数据集，包含人工手绘草图（纸笔和数字绘制两种变体，彩色和黑白版本）和对应的干净SVG代码。第二，首个由人工专家创建的复杂SVG编辑数据集，编辑指令需要深度理解SVG语法、使用复杂原语（文本、动画、颜色渐变）、多步推理和语义理解，与SVGEditBench V2的简单合成编辑形成鲜明对比。第三，改进的GRPO算法使用批级标准差归一化而非组级标准差，提高训练稳定性，利用更多样本的统计信息使优势估计更加准确。第四，课程学习策略使用响应长度作为难度代理，在每个任务内部排序后按频率比例采样，使模型从简到难逐步学习。第五，针对四个SVG生成任务定制的VLM-as-a-Judge评估协议，通过人类相关性研究选择最佳裁判模型（Gemini 3 Pro用于VG-Sketch、VG-Cap和VG-Text，GPT-5.1用于VG-Edit），确保自动评估的可靠性。

独立分析的弱点包括：数据集规模有限只有6.5k训练样本，与SVG-Stack的230万样本相比很小，可能导致过拟合。改进方向是扩展数据集规模，增加更多样化的SVG类型和编辑任务，特别是来自不同文化和艺术风格的样本。编辑任务的复杂度评估缺乏客观标准，依赖标注人员的主观判断，可能导致不一致性。改进方向是引入自动复杂度度量，如编辑步骤数、涉及的原语数量、语义变化程度来量化任务难度。课程学习使用响应长度作为难度代理不够准确，可能无法反映任务真实认知难度。改进方向是探索更精确的难度度量，如VLM困惑度、人类评分、任务特定指标来指导课程学习。VLM-as-a-Judge评估的主观性和不稳定性，人类与VLMAJ评分的相关性在不同任务上差异较大。改进方向是集成多个VLMAJ裁判，使用加权平均或投票机制，提高评估稳定性。强化学习训练的计算成本高，限制了研究社区的复现能力。改进方向是探索更高效的训练方法，如离线强化学习、蒸馏技术，降低计算需求。未评估模型在极端编辑任务上的性能。改进方向是扩展评估协议，包含更具挑战性的编辑场景。

作者提出的未来研究方向包括继续改进VectorGym基准，增加更多任务和数据类型。基于成果可延伸的方向包括：探索更复杂的SVG编辑任务，如跨SVG元素迁移、风格一致性编辑、多轮对话式编辑，这些任务更接近真实的设计工作流。研究SVG生成模型的可解释性和可控性，允许用户精确控制生成过程，这对于专业设计工具很重要。探索SVG与其他矢量格式如PDF、EPS的互操作性，扩展应用场景。研究SVG生成的实时交互应用，如设计工具辅助、教育场景，提高用户体验。探索多模态SVG生成，结合文本、草图、语音等多种输入，提供更自然的交互方式。研究SVG生成的版权和伦理问题，确保生成内容符合法律和道德标准，这对于商业应用很重要。开发更高效的SVG评估方法，减少对大型VLM的依赖，降低评估成本。探索SVG生成与3D图形的结合，实现2D到3D的转换，扩展到三维设计领域。研究SVG生成模型的压缩和部署，使其能在边缘设备上运行，提高可访问性。探索SVG生成在无障碍访问中的应用，如为视障用户生成描述性SVG。

复现评估：VectorGym基准已在HuggingFace公开发布，包含数据集、评估协议和训练代码。开源情况良好，数据集使用MIT、Apache、BSD和CC0等宽松开源许可，允许重新分发和研究使用。数据来源明确，继承自SVG-Stack数据集和TheStack，包含原始文件路径和许可证标识符。训练细节详细：使用Qwen3-VL 8B Instruct模型，学习率为3乘以10的负6次方，KL系数为0.01，采样温度为1.0，批大小为168，每个样本生成8个采样轨迹，训练600次迭代，在8乘以H200 GPU上约2天完成。评估指标明确定义：MSE、LPIPS、DINO、CLIP、VLM-Judge、ROUGE-L F1、BGE-M3余弦相似度、LLM评分。人类评估包含17名技术工程师或AI和设计专家，产生约674个评分用于相关性分析。复现难度中等偏高，主要挑战在于计算资源需求（8乘以H200 GPU 2天）和数据标注的专业性。开源模型和评估协议降低了复现门槛，但完整的复现仍需要大量计算资源和专业知识，对于资源有限的研究团队可能难以实现。